在无人车应用问题的研究中,如何高效且安全地为无人车规划路径一直是一项热门且充满挑战的研究内容。传统的无人车路径规划算法主要包括全局路径规划算法和局部路径规划算法。其中,全局路径规划算法通过预先处理场景中静态障碍物信息,为无人车规划避障导航路径;局部路径规划算法通过无人车的激光雷达传感器或红外线传感器等接收装置读取地图场景中的动态障碍物信息,实时为无人车提供避障路径规划。随着人工智能领域科学技术的发展,人们通过深度强化学习的方法训练无人车,让无人车基于自主学习的方式规划避障导航路径。传统算法指导无人车规划路径能在短时间内帮助无人车完成避障导航任务,但在多变的场景中难以保证其规划的路径效率最优。深度强化学习模型能让无人车适应多变的场景,但会遇到在规划过程中生成无用节点,且训练耗时过长等问题,导致规划效率低的问题。本文通过对现有方法的深入分析,提出了一种利用神经网络训练无人车,实现从多种路径规划算法中动态选出效率和安全性等性能最好的最优组合的方法。本文主要贡献如下:（1）提出了利用神经网络工具训练无人车选择算法组合的方法。传统算法提供的多种全局和局部路径规划算法通过固定组合,在单一的的场景中能发挥不错的效果。利用神经网络方法去选择最优的算法组合,避免了传统方法由于固定组合而无法很好地适应不同的地图场景的问题。所提方法本质上是一种分类问题,不会产生无用的节点分支和强化学习中“试错”的过程。（2）设计了基于神经网络的路径最优组合选择的仿真实验,提出了优化目标函数PV。利用ROS/Gazebo仿真模拟工具,构建2000张障碍物数量和分布随机的地图,并通过让小车尝试所有算法组合并在所有地图中进行仿真模拟实验。提出PV函数,对仿真实验数据进行计算,选择出效果最优的路径规划算法组合。（3）尝试使用四种神经网络模型对最优算法组合进行选择,发现障碍物地图信息以文本方式作为输入的模型具有较好的训练效果。在此基础上改进网络,引入注意力机制,并通过消融实验比较发现数据在进入LSTM模型前通过attention模块能得到相对最优的训练效果。