无人驾驶车辆能够有效改善交通安全和交通拥堵问题,具有广阔的应用前景。随着传感技术和计算机技术的快速发展,国内外越来越多的企业和高校都加大了对无人驾驶车辆的研发力度。作为无人驾驶车辆的核心技术之一,路径规划是实现车辆自主行驶的基本保证。因此,本文对动态环境下无人驾驶车辆的全局路径规划和动态避障轨迹规划展开研究,具有重要的实际意义。蚁群优化算法是全局路径规划中应用最为广泛的仿生优化方法,但它存在收敛速度慢、容易陷入局部最优解等缺点。为此,本文采用新的启发函数和全局信息素更新策略,提出了一种用于无人驾驶车辆全局路径规划的增强蚁群优化算法。然后对生成的路径使用非均匀有理B样条曲线进行平滑处理。仿真结果验证了增强蚁群优化算法在普通场景和迷宫场景中的可行性和有效性。与传统蚁群算法相比,增强蚁群优化算法搜索到的路径长度更短,收敛到最短路径所需的迭代次数更少。当无人驾驶车辆在复杂的道路环境中行驶时,还需要能够可靠、稳定地规避运动障碍物的方法。因此,本文设计了一种基于模型预测控制的动态避障轨迹规划策略。首先,采用二自由度车辆动力学模型描述真实车辆的动力学特性,建立车辆状态的预测模型。然后,考虑运动障碍物的位置信息,在满足车辆状态约束和控制约束的条件下求解包含轨迹跟踪代价、控制代价和障碍物威胁代价在内的目标函数,利用求解出的前轮转角增量使无人驾驶车辆在跟踪轨迹的同时能够避开运动的障碍物。最后根据不同运动障碍物的工况对动态避障轨迹规划系统的性能进行了验证。仿真结果表明,该动态避障轨迹规划系统具有良好的局部规划性能,并且能够保证车辆的操纵稳定性。为了进一步验证所述的增强蚁群优化算法,本文还简要阐述了无人驾驶平台的构建并进行了实车测试。在ROS平台中通过对激光雷达采集的点云数据进行处理,将真实的道路环境投影成栅格地图。然后利用增强蚁群优化算法和非均匀有理B样条曲线相结合的算法在栅格地图上实现了实时的路径规划,根据三种不同行驶场景下的测试结果验证增强蚁群优化算法在实际应用中的性能。