近几十年来,智能车辆持续获得了世界各国政府和各大汽车生产厂商的关注,可以预见,未来智能车辆的发展将会大幅度改善交通出行问题,为驾驶员和行人提供更有效的安全保障,同时会对国家经济运行效率产生深远的影响。如今,许多传统量产车辆都配备有智能驾驶辅助系统,如车道偏离报警系统(LDW)、自适应巡航系统(ACC)、自动紧急制动系统(AEB)、盲区检测辅助系统(BSD)等,这些系统为驾驶员提供了更好的驾驶体验,将日常驾驶变得更为简单。然而上述系统只适用于道路和交通状况较为单一的驾驶环境,如果要在更加复杂的环境中实现更高级别的智能驾驶,就需要深入研究智能车辆在复杂行驶条件下的环境感知技术和路径规划技术。本文依托已有的智能驾驶实验平台,对智能车辆的相关技术展开了研究。在环境感知层面,为了克服使用单一传感器进行环境感知的缺陷,选择相机和激光雷达作为获取数据的主要传感器,其中,通过深度学习算法对相机采集的图像数据进行处理,检测道路中的可行驶区域;对激光雷达采集的点云数据进行数据预处理、栅格化、点云地面分割、障碍物检测、点云聚类、边框提取,得到障碍物的位姿和尺寸信息。最后,将两种传感器提取到的主要特征进行特征级信息融合,获得准确的可行驶区域和障碍物姿态。获得智能车辆的有效行驶环境信息后,在原有人工势场法路径规划算法的基础上,结合指数函数的特性,对目标引力场和障碍物斥力场的势能函数进行改进,同时增设道路边界约束,建立危险势能场模型。由于使用传统的人工势场法规划出的路径缺乏对车辆运动特性的考量,因此,引入模型预测控制算法并建立智能车辆的运动学和动力学模型,将智能车辆的局部路径规划转化为统一的优化问题,在考虑控制量、控制增量的基础上,将危险势能场插入模型预测控制算法目标函数中,设置相应的约束条件。利用优化算法找出危险势能场中势能低的位置,得到更加符合实际情况的规划路径。针对路径规划结果,提出了一种基于粒子滤波的路径追踪验证方法。首先搭建基于Prescan的仿真实验平台,控制智能车辆按照路径规划结果行驶;然后利用粒子滤波算法,选取颜色特征作为跟踪特征,对车辆的实际行驶轨迹进行追踪;最后对路径追踪结果误差进行了分析。该方法实现了对车辆目标运动的有效追踪,降低了路径规划验证环节对精密传感器的需求,对加速智能车辆算法迭代具有一定的实际价值。实验结果表明本文提出的激光雷达与相机融合算法能够有效的提取智能车辆行驶环境中的主要信息,基于这些信息得到的智能车辆路径规划效果较好,智能车辆能够自主避开障碍,实现平稳行驶。