随着智能化信息处理技术的不断进步,自动驾驶已成为近年来专家们的研究热点,路径规划则是其中的关键技术。智能的路径规划可以大大减少移动任务的完成时间,同时节约人力、物力成本,具有非常大的实用价值。本文从实际项目需求出发,针对所研究的特殊交通环境,使用PyQt5框架搭建满足场景特征的仿真平台。文中主要设计了两种基于强化学习的路径规划算法。一种是通过设计车辆标准的移动动作,利用深度强化学习中的DDQN算法训练移动路径。另一种是在使用三阶贝塞尔曲线模拟运动轨迹的基础上,提出改进的三段式路径生成算法和路径评价体系,然后利用深度强化学习中的DDPG算法训练三段式算法中的可变参数,实现移动路径的优化。本文的主要工作包括以下几个方面:(1)场景建模。本文利用PyQt5框架在PyCharm中设计并实现场景建模工具,仿照飞行甲板、储物仓库等实际场景,搭建仿真环境,环境的主要特征是具有边界轮廓、可停靠站位、障碍物和移动对象。(2)设计实现标准动作模式下的路径生成算法。本文提出,在车辆可行的角度区间内等间隔的选取若干角度,在每个角度下以一定的转弯半径和转弯角度做圆弧运动,构成离散的动作集合。设置奖励函数,利用DDQN算法进行训练。(3)设计基于贝塞尔曲线的三段式路径生成算法。算法包括生成和评价两部分,生成部分采用“圆弧形出站位-贝塞尔曲线转运-圆弧形入站位”的三段式方法,评价部分使用熵值法确定各个评价指标的权重系数,以优劣解距离法作为最终的评价函数。(4)三段式路径生出成算法的训练优化。本文设计的三段式生成算法中,存在若干决定最终生成路径的可变参数,基于此构造马尔科夫决策过程模型,利用DDPG算法进行训练,确定出一组最优参数值,优化三段式下的生成路径。本文利用设计的场景建模工具搭建了多个用于算法研究的场景,对提出的两种算法分别进行了大量仿真实验。实验结果表明两种算法均取得了较好的效果,对场景中任意给定的移动任务均能够规划出一条较为理想的路径。