智能车辆是一种可以独立在复杂环境中完成给定任务而不依赖人为主导的移动机器人。最佳路径是智能车辆以及智慧交通系统中的主要研究课题,主要解决智能车求解符合最佳参数条件的无碰撞路径问题。智能车行驶的最佳路径选择参考的参数包括最短路径问题、最小总成本问题、最短行驶时间问题等,根据不同的技术可以实现有针对性的路径优化。快速有效的路径规划,是确保车辆安全到达目的地的首要目标,也是智能车辆系统中的重要环节。然而日益复杂的交通网络为智能车的应用和普及提出了更高的要求。因此本文中基于对强化学习(Reinforcement Learning,RL)技术,模糊神经网络技术(Fuzzy Neural Networks,FNN)等智能技术的研究,以及A~*算法等最短路径算法的学习,对智能车行驶的最佳路径选择策略与算法进行详细的分析和研究。采用不同的优化策略设计,来解决路径规划算法在智能驾驶领域应用中计算量大,收敛性差,结构复杂,实用性和扩展性差问题,即本文的研究题目为面向智能车行驶的最佳路径选择机制与方法研究。本文的主要研究内容和创新之处如下:1)针对目前智能车路径规划的研究缺少综合评价体系的问题,提出了最佳路径选择参数体系帮助路径规划算法输出最佳路径。传统的A*算法虽然能够很好的解决最短路径问题,但实际的交通网络错综复杂且变化多样,单靠最短路径算法计算的路径不仅拐点多,且最终求解路径通常不是最优解。因此我们将最短路径算法与强化学习方法结合,设计一种最佳路径选择策略。本策略可以帮助智能驾驶车辆在未知环境下,通过交互信息,实时调整和选择一条无碰撞的最佳路径。对智能驾驶车辆路径规划算法进行基于先验知识的强化学习训练,通过缩小状态集计算时间,加快强化学习算法的收敛速度,降低无效样本学习和训练的开销。车辆传感设备会不断与环境交互来躲避障碍和依据奖励函数确定获取相应的动作指示,在避开障碍的同时,按照选择的参考标准,获得从起始点到终点的最佳路径。通过对最短路径的搜索设置改进,提高搜索效率。这种路径优化方法可以有效帮助不同类型智能驾驶车辆顺利规划存在限制高度,宽度和重量以及事故和拥堵障碍条件下的交通网络中的最佳路径,解决现有研究中对智能驾驶车辆在路径规划过程中存在以上几种障碍环境的考虑较少的问题。2)我们设计了一种粒子群优化算法训练的模糊神经网络路径规划算法。基于鸟类觅食行为的粒子群优化算法(Particle Swarm Optimization algorithm,PSO)的优点是计算量小,结构简单。但容易导致粒子陷入局部极值问题,陷入无限死循环中。结合模糊神经网络算法的路径规划方法可以通过对行驶环境中的各种信息进行分析和区分,制定特定反应式引导智能驾驶车辆前进,且神经网络容错性强且自学习能力强,具有很好的适应性,但是存在计算量过大和收敛速度慢的问题。为了解决粒子群算法容易陷入局部极小值问题,设计了优化惯性权重和学习因子更新方式的改进粒子群算法。并利用该算法在定义的规则下对模糊神经网络权值参数进行优化训练的方法,来解决模糊神经网络算法在智能驾驶车辆的路径规划问题中应用时收敛慢的问题。通过设计合理的训练规则和模糊网络结构,使混合算法能够在较大且复杂网络中完成路径规划任务。3)人工智能(Artificial Intelligence,AI)技术在智能驾驶领域的应用中十分有效。基于马尔科夫过程的强化学习算法是主要的智能决策支持技术中关于轨迹路径规划设计的方法之一,但是强化学习算法具有巨大的超参数空间,同时进行所有超参数的选择极具困难。因此我们设计对强化学习的超参数进行优化,使得其快速收敛,并提高学习效率;然后对粒子群优化算法进行预设置改进,减少无效粒子的计算,大大降低算法计算量并提高获得最优解效率;最后使用混合算法进行路径规划,通过修正量来修正改进粒子群优化算法的个体最优粒子和全局最优位置适应度,实现一种简洁高效且不会陷入局部最优解的路径规划。