汽车智能化是汽车技术和产业发展的必然趋势,其发展步伐也在不断加快。随着城市拥堵的日益加剧,车位难以寻找、泊车难度越来越大,因此自主泊车广受市场欢迎,也是智能汽车领域的研究热点之一。虽然当前针对自主泊车的研究很多,但大多基于相对简单的场景。然而随着自主泊车应用场景的逐渐扩展,许多场景呈现出了动态和复杂特征,使得传统的路径规划算法难以适应,因此研究动态复杂场景下的自主泊车算法成为了提高自主泊车场景适应性、从而推动自动泊车广泛应用的关键。本文针对上述问题开展了动态复杂场景下自主泊车关键算法的研究,通过模拟仿真与实车实验进行验证。具体研究内容包括以下五个方面:(1)提出了基于扩展卡尔曼滤波的动态障碍物跟踪与预测算法,使用基于NDT正态分布概率密度点云配准的动态障碍物定位算法、动态障碍物尺寸一致性及运动约束的动态障碍物关联,以及基于扩展卡尔曼滤波的动态障碍物运动预测算法,以减少动态障碍物跟踪滞后引起的跟踪误差,以及对轨迹规划的影响。(2)提出了一种动态场景的预测描述方法,采用近似网格分解、分层式代价地图更新方法,并融合了动态障碍物的预测代价层,完成了动态场景的预测性描述,为规划算法提供动态场景输入。(3)为加速动态场景的重规划、在满足规划实时性的基础上提高规划算法动态场景的适应性,本文提出了适用于动态场景的Hybrid A*与Reeds-Shepp曲线混合规划算法。该算法采用串行搜索方式,将Hybrid A*对代价变化适应性强、Reeds-Shepp曲线计算简单、满足车辆约束以及在动态场景下可加速搜索等优势相结合。提出了基于欧氏距离的Hybrid A*与Reeds-Shepp曲线的搜索权重分配,以提升整体搜索效率。设计仿真实验验证混合规划算法的搜索效率。(4)为验证所提出的关键算法在真实动态场景中的效果,对于轨迹跟随控制:在侧向上使用纯跟踪算法进行侧向跟随,结合航向角偏差进行侧向反馈控制;在纵向上考虑动态障碍物,使用离散PID完成纵向速度跟随。(5)通过搭建实车实验平台对本文提出的关键算法进行了验证。首先对动态复杂场景进行分析,选取典型场景,其次介绍了自主泊车实验平台组成,最后基于该平台设计实验,验证在动态复杂场景下的轨迹规划及轨迹跟随算法的实车效果。实验结果表明本文提出的Hybrid A*和Reeds-Shepp曲线混合规划算法具有良好的重规划效果。