随着人工智能技术的兴起,智能交通的研究成为了热点。智能交通通过交通信息的实时采集、传输、处理和发布,可以诱导出行者根据自己的出行需求,更合理地选择出行时间、出行方式和出行路径,从而均衡分配路网的交通流,有效缓解城市交通拥堵问题,提高路网的效率。无人驾驶车辆是智能交通系统的重要组成部分,前者技术的成熟和普及对后者来说意义重大。无人驾驶车辆在社会各个领域都有非常广阔的应用前景。从技术层面而言,路径规划是无人驾驶车辆实现的关键技术,因此对路径规划进行研究具有非常重要的意义。本文以无人驾驶车辆路径规划方法为研究对象。在总结无人驾驶车辆、路径规划算法、短时交通流预测方法的国内外研究成果基础上,首先,根据适合无人驾驶车辆行驶的道路条件和交通条件,选取了11个道路指标,制定了禁行路段筛选指标体系。基于搜集到的道路数据,用遗传算法优化的BP神经网络从40条道路中筛选出28条备选行驶路段,构成备选行驶路网。前人的路径规划都是在现有城市路网环境下进行的,但现有路网中的道路条件参差不齐,不能保证无人驾驶车辆的交通安全。而经过安全性筛选后的路网可以保证后文规划得到的路径的安全性。其次,为了准确地计算从当前时刻出发,车辆从当前位置到达目的地的行程时间,从人为因素、车辆因素、道路因素和环境因素四个方面分析了路段行程时间的影响因素,从实用性和简洁性出发、主要考虑路段交通流量、交通密度和车辆速度等因素构建了行程时间估计模型,把行程时间表达为非拥挤路段行驶时间和交叉口排队延误时间,并简化成只与驶入流这一未知量有关的形式。再构建双向LSTM神经网络模型预测未来时段驶入流,把未来时段驶入流代入到行程时间估计模型,得到动态行程时间表。最后构建动态的路阻函数,描述车辆通过一个路段可能需要经历的时间。实验结果证明双向LSTM神经网络预测值接近真实值,预测性能稳定,对不同的交通流状况具有较高的适应性,可以实时准确地预测未来时段车辆到达路段时在该路段的行程时间。再次,在以现有城市路网为基础简化的城市交通网络模型中,以行程时间最小为目标函数、起点约束和终点约束为约束条件,用动态限制搜索区域的方法改进经典Dijkstra算法,分别在平峰期和高峰期对单辆无人车进行路径规划,规划结果证明动态路径规划算法可以在高峰期避开拥堵路段,验证了算法的有效性和可行性。最后,在现有城市路网中设置部分无人驾驶专用道,对专用道实行路权的预约和分配机制,先用容量限制-多路径分配方法把无人车流量优先分配到专用道上,再根据流量分配结果,以系统中所有无人车的行程时间之和最小为目标,采用改进的遗传算法对无人车进行路径规划,比较设置专用道前后、设置专用道后高峰期和平峰期、预约上专用道和没预约上专用道的同一起讫点的无人车最优路径及其阻抗的变化,发现同一起讫点设置专用道后比设置前节省行程时间;平峰期和高峰期预约上专用道的无人车最短路径有差别,高峰期的无人车可能只能预约上部分专用道,导致高峰期最短路径的行程时间比平峰期的长;预约上专用道的无人车行程时间比没预约上专用道的少。规划结果证明了设置无人驾驶专用道对无人驾驶车辆的好处,验证了算法的有效性和可行性。