车辆作为满足人们出行、运载需求的最重要方式之一,历来为最新技术应用的重要领域。而作为新一轮工业革命的重要技术群落,智能化技术理所当然地被运用于汽车领域。特别是智能汽车,通过集成、使用包括先进电子传感器、低时延网络通信设备、高算力计算机、电控执行机构等,对传统汽车进行全面升级,减少人员对车辆的劳动力输出,使得车辆可以更全面地为人提供更为优质的服务。从泛化概念来讲,智能汽车应该是包含无人驾驶系统、智能交互系统、生活娱乐系统、安全防护系统、用车管家系统等一系列智能化功能的综合载体,但不管是从核心技术的复杂程度和价值来看,还是从汽车的最基本职能来看,无人驾驶系统都是其中最为重要的组成部分。对于无人驾驶汽车,自主导航技术是其最为核心的技术。智能汽车能否在复杂环境下完成自主导航是标志其智能程度的核心评价标准。本课题源于包括国家自然科学基金项目（51875061）、中国汽车产业创新发展联合基金重点支持项目（1564208U）以及长安汽车企业重点攻关专项在内的多个项目中,对智能车辆在复杂环境下自主导航共性核心技术的研究;重点从理论和实验上,廓清智能汽车对复杂环境的理解框架,同时探讨复杂环境下多维环境信息的全尺度关联及环境重构方法,研究环境结构点云的稀疏表示方法及其在自主导航中的应用,并且讨论非结构化环境局部路径规划的结构适用性问题;以此指导针对多工况、多场景下的智能汽车自主导航系统产品化设计、平台搭建及工程化应用。本论文主要内容包括:1、建立环境-车辆-采样坐标系联立简化模型将环境坐标系、车辆坐标系、采样坐标系联立,根据空间几何变换原理、整车转向几何模型以及车辆运动微分方程,推导出环境-车辆-采样坐标系联立模型;根据对Lidar传感器布置的设计方案以及统一的前提假设,合理简化环境-车辆-采样坐标系联立模型。这些简化模型是基于点云信号的自主导航系统的几何基础,后续研究皆在这些简化模型基础上进行。2、探讨基于点云多维信号结构变换结果的环境重构方法对GPS-Lidar-整车捷联位姿进行联合标定;以点云采样信号为原始数据,将环境结构点云从背景中分离出来。同时,将环境结构点云信号变换为适用于全尺度、同一基底下的多信息传输信号关联结构,最终得到单帧静态环境结构点云多维信号结果。根据环境-车辆-采样坐标系联立简化模型及单帧环境结构点云多维信号,对环境结构进行重构。3、推导环境结构点云多维信号稀疏表示方法根据环境结构数据,对多维信号进行降采样,以此得到多维信号稀疏表示前的冗余点云信号。将冗余点云信号中的不同数据域信号分离,以得到稀疏表示解算的源信号。推导基于正交基的基底变换方法,得到过完备字典的核函数,通过引入字典生成频率因子,进而完成过完备字典的设置。推导了适用于环境结构点云多维信号稀疏表示的信号分解重构方法。4、讨论复杂环境结构下的局部路径规划方法详细阐述了适用于结构化环境的局部路径规划方法。推导了两类现有的非结构化环境局部路径规划方法,一个是基于路径搜索方式的路径规划方法,另一个则是对环境结构自适应的路径规划方法。在此基础上,提出一种具备环境结构自适应的局部路径规划方法——动态势场法。将环境结构点云稀疏表示与动态势场法的排斥力计算相集成,提出了可以减少冗余环境信息传输、储存成本的局部路径规划方法——3DPCSR-PF算法。5、基于实车试验的理论验证及结果分析根据车辆-传感器的捷联简化模型以及候选试验车辆的实际尺度,搭建实车试验硬件平台。详细分析了复杂环境的结构组成,选取符合要求的具体试验环境。对多维信号结构变换及环境重构进行实车验证,并对试验结果进行分析。选取稠密障碍物转角路段作为试验环境,对环境结构点云多维信号稀疏表示方法进行实车验证,并对试验结果进行分析。选取环境结构不同且具有代表性的路段作为试验环境,对动态势场法及3DPCSR-PF算法进行实车验证。选取相同试验环境,分别使用3DPCSR-PF算法及RRT*法,在该非结构化环境内,规划同起点同目标点的可行路径,比较二者性能。通过实车试验,分析移动障碍物及自车尺度对3DPCSR-PF算法的影响。