无人地面车辆（Unmanned Ground Vehicle）是社会高速发展的时代产物,推动相关技术已成为国际竞争的新焦点。自主导航（navigation）是UGV的基本必备能力,是有效完成任何高级任务的前提。具体而言,个体UGV系统首先需要能在环境已知约束条件相对固定的静态环境中自主导航,例如行星探索、地理遥感测绘;然后,在城区等复杂环境更需要UGV在面临未知运动障碍物时具备动态场景中自主导航的能力:（1）UGV静态场景导航需解决路径规划与跟随双重技术挑战。高效完成导航任务首先需要制定优化的路径,通常以无碰撞、短距离与高平滑为目标;然而场景结构高度多样、复杂,路径规划优化方法的普适性难以保证,长期以来是本领域的开放性问题。路径跟随的准确性是任务实施的前提,然而开放环境中的不确定性干扰难以排除,传统自动控制的方法仅在理论上可行。总的来说,必须发展应对环境多样性的通用路径规划方法,获得导航实施过程中自适应于不确定性干扰的能力。（2）UGV动态场景导航需解决活动障碍实时响应与自身运动优化的难题。障碍物运动态势的准确预测是前提,自身运动状态的优化调整是必要能力,无碰撞地到达目的地或完成任务是最终目标。长期以来,动态场景的智能化导航是本领域致力获取的核心能力。传统基于非线性理论的数学方法及其他确定性模型难以适应多样化的复杂动态场景。因此,研究“端到端”感知数据驱动的拟人决策机制将为解决动态场景导航技术挑战提供新思路。本文针对静态、动态场景导航中的上述技术挑战开展研究:（1）针对路径规划与跟随双重的技术挑战,首先提出“绳索模型”算法,该方法能成功模拟在外力作用下绳索沿轴向变形,在径向上保持固定距离的特点,从而获得优化的导航路径;其次,将深度确定性梯度策略算法（DDPG）应用到路径跟随领域,通过在构建的抽象绳索环境上训练,该算法可以快速学习到具有很强泛化能力的跟随模型。经典复杂地图集上的系列实验与结果表明:1)"绳索"模型在保证路径安全性的基础上不仅有效缩短了路径距离,而且增强了路径的平滑度,2)在较小时间的代价下,深度确定性梯度策略就能学习到好的跟随策略,该策略可以自主调整系统使其完成路径跟随任务,而且可以直接应用在更加复杂带有外部干扰的环境中,而无需调节模型参数。（2）针对活动障碍实时响应与自身运动优化的挑战,提出option-DQN分层强化学习框架,将动态场景的导航行为分解为“避障”与“到达”子行为,子行为逐步求解收敛到上层决策对子行为策略选择,有效简化环境状态空间搜索的复杂度并提供拟人化的决策机制。通过实际视频监控场景构建的实验表明在复杂动态场景中本文方法能稳定、高效地完成指定任务,在无参数微调的前提下,强化学习决策框架泛化能力较强。总的来说,本研究的方法提供了通用的路径规划能力,路径跟随机制能有效适应于开放场景的不确定性干扰,分层行为框架在真实动态场景中具备拟人化的导航同行能力。