自动驾驶是由多个子系统组成的高度复杂系统,包括定位,感知,决策和规划控制等算法。轨迹规划是其中的重要组成部分,保证了自主车辆行驶的安全性和通行效率。局部轨迹规划大体上遵循全局路径规划的结果,根据当前的车辆状态和实时的环境信息(地图中其他道路参与者或静态障碍),实时地规划未来一段时间内的满足车辆运动约束和避障约束的运动轨迹。轨迹具有空间和时间的信息,同时对两个空间求解,维度较高,计算复杂度较大。因此,本文将轨迹规划解耦成路径规划和速度规划两个子问题,降低了求解的维度,能够保证计算的实时性。本文在路径规划问题中考虑避让静态障碍物,根据行为决策给出局部目标点,规划对应的路径。在速度规划中,考虑对动态障碍物的避障,以及自车与其他道路参与者的交互行为。最后将规划的路径和速度曲线合成为局部轨迹。本文主要的研究成果如下:·针对结构化环境中的路径规划问题,使用基于动态规划的采样搜索策略,提出了满足实时性和车辆运动约束的路径规划算法:-为了保证实时性,针对结构化环境(道路),充分利用其先验知识,将道路中心线作为参考线,沿着此参考线进行采样,将搜索空间限制在较为合理的范围内,提高了算法效率。-使用Frenet坐标系,二维的路径规划问题转化到了 S-L空间内的一维问题,降低求解维度,并通过动态规划的方式,通过对路径的筛选,进一步降低时间复杂度。-在规划层考虑车辆动力学模型,进行横向动力学建模,转化为基于车辆当前状态的曲率约束,使规划的结果符合当前的车辆运动约束,保证路径的可执行性,从而减轻底层控制的负担。·考虑对其他道路参与者的避障需求,提出了一种基于马尔科夫决策的速度规划算法。在建模过程中考虑自身与其他道路参与者的行为交互,提高通行效率。-将速度规划过程建模成一个部分可观测的马尔科夫决策过程,使用蒙特卡洛树搜索,进行实时的在线规划求解,解决离线策略不完备的问题。同时,本文考虑其他道路参与者的预测不确定性以及与自车轨迹的交互,比反应式的速度规划通行效率更高。-将状态及动作离散化,以满足求解的实时性,并通过样条插值和积分处理得到的最优加速度序列,进而得到平滑连续的s-t曲线,在提高通行效率的前提下,保证了乘坐的舒适度。·针对局部轨迹规划问题,搭建了基于V-REP和ROS的物理仿真平台,采用模型预测控制作为轨迹跟踪控制算法,结合提出的局部轨迹规划算法,建立了实时的自主车辆规划控制系统,并在此系统中,验证了算法的有效性。