无人驾驶车辆是目前汽车工业发展的重要方向,无人驾驶车辆能够有效地解决城市道路拥堵、交通安全事故频发等问题。环境感知和车辆避障是无人驾驶车辆中两大重要的子系统,在环境感知系统中,通过视觉处理系统使得车辆能够直接获取周围环境中障碍物类别等信息。在车辆避障系统中,横向避障可以降低因紧急制动而产生追尾等安全事故的概率。本文基于视觉对无人驾驶车辆横向避障问题展开研究,提出了一种基于YOLOv4-Tiny的障碍物检测算法,结合多目标跟踪算法,实现对障碍物目标的连续跟踪;并提出了一种基于改进人工势场法的横向避障算法。论文的主要研究内容如下:（1）采集图像制作数据集。对实际的摄像头进行标定矫正,使用标定矫正后的摄像头采集图像数据并使用高斯滤波对采集的图像进行滤波处理,提高图像质量。为了进一步丰富数据集,提高算法的鲁棒性,对于采集的图像采取翻转、拼接、亮度的随机调整等操作。（2）研究基于YOLOv4-Tiny网络的障碍物目标检测算法。根据YOLOv4-Tiny网络的基本原理和自建数据集搭建障碍物目标检测网络,并基于K-means++聚类算法重新设计Anchor Box的大小,结合YOLOv4-Tiny的预训练权重再次训练障碍物目标检测网络,最终得出的训练结果在测试数据集中的m AP达到了99.13%。（3）提出了一种视频序列中障碍物目标跟踪算法。根据目标检测算法得出本帧中障碍物的位置状态信息,基于Kalman滤波算法估计下一帧中障碍物的位置状态信息,将Kalman滤波算法得出的预测结果通过匈牙利匹配算法与下一帧图像进行匹配,实现在视频序列中对障碍物目标进行连续跟踪。最终在嵌入式设备NVIDIA Jetson Nano上进行部署试验测试,试验结果显示,障碍物目标检测的准确率达到97%,表明了算法良好的准确性;在未使用Tensor RT加速的情况下FPS稳定在15帧/秒左右,表明了算法良好的实时性。（4）提出了基于改进人工势场法的车辆横向避障算法。根据传统人工势场法存在的局部最优和目标不可达的缺点以及车辆实际行驶情况,从势场函数、约束条件和避障车速三个方面出发,对传统人工势场法进行改进。首先,通过引入斥力因子解决局部最优和目标不可达的缺点,根据车辆的行驶特点,改进斥力函数作用域,分析车辆在多障碍物中的受力情况,引入引力势场增益自适应调整机制;其次,根据实际道路环境和车辆自身转向性能的限制,引入道路边界约束和车辆转向系统约束;最后,为了进一步提高多障碍物避障性能,引入基于外界环境复杂度的车速自适应调整机制。最终的仿真与试验结果显示,改进后的横向避障算法具有良好的安全性,并且满足试验小车实际运行情况。从本文的试验结果来看,本文中的障碍物检测与跟踪算法以及横向避障算法具备良好的效果,具有一定的实用价值。