无人驾驶作为汽车智能化的基础,是近年来的研究热点之一。而路径规划与避障技术作为无人驾驶汽车运行的关键环节,是实现无人驾驶汽车安全平顺驾驶的基石,具有重大的研究意义。文章从地图的产生、全局路径规划到局部路径规划,详细阐述了无人驾驶汽车路径规划与避障的全过程,最后通过仿真和实车试验验证了改进路径规划算法的有效性。首先,基于Cartographer算法的激光SLAM完成了全局地图的构建。地图是路径规划和避障的基础。为了更好的研究路径规划与避障技术,本文介绍了Gmapping算法和Cartographer算法的原理和流程,分析了两种算法在点云匹配部分和后端处理部分方法上的优缺点,并通过实验比较了两种算法的建图效果,最终选择基于Cartographer算法的激光SLAM生成的全局地图作为本文研究的基础。然后,基于融合跳点策略的改进A*算法完成了全局路径规划。本文介绍了经典A*算法的基本原理,分析了A*算法由于遍历重复节点导致搜索效率低以及路径可能存在碰撞风险等问题,提出了一种融合跳点策略和A*算法的改进策略。并通过仿真试验,验证了改进算法在寻优速度和路径安全性方面的提升。其次,基于样条优化的并行TEB算法完成了无人驾驶汽车的局部路径规划。本文介绍了传统TEB算法的基本原理和流程。为了解决无人驾驶汽车对局部路径的平顺性的要求,本文提出了基于三次样条插值的轨迹优化,解决了传统TEB算法在无人驾驶汽车上的平顺性问题。另外,为了解决单次TEB算法面临复杂场景时,容易陷入局部的最小值的问题,本文提出了基于拓扑地图的并行TEB算法,通过多条初始轨迹的并行计算,获取全局范围内的最优路径,有效提高了避障的成功率。最终将这两种优化思路分别作用于TEB计算的前处理和后处理,提出基于样条插值的并行TEB算法。最后,基于ROS平台在GAZABO仿真平台搭建了相关的仿真环境,通过仿真验证了本文提出的改进路径规划算法可以有效的改善了轨迹的平顺性,提高了局部避障的成功率。最终,依托大学生方程式赛车平台,将算法移植到实车上,进一步验证了改进路径规划算法的有效性。