路径规划模块作为自动泊车系统的重要组成,在系统中起到承前启后的关键性作用,围绕着路径规划进行研究对于改善自动泊车的性能与体验具有重要意义。本文在总结已有研究成果的基础上,针对垂直车位的自动泊车场景,设计基于深度强化学习的自动泊车算法框架。从算法框架出发,搭建了基于鱼眼相机的全景环视系统,设计基于环视系统的车位检测算法;建立了自动泊车仿真训练平台,完成了基于深度强化学习的路径规划算法的改进、训练与性能分析。为验证以车辆位姿作为强化学习算法输入的可行性,设计基于环视系统的车位检测算法。首先根据矫正效果,选择合适的鱼眼相机模型用以标定获取相机内参。其次通过联合标定实验和拼接融合技术,获得鱼眼相机对应的单应性矩阵和权重矩阵。然后对拼接图片进行灰度化、滤波、二值化、膨胀与腐蚀等预处理操作,通过sobel算子边缘检测与霍夫变换,再经过线段整合程序筛选和处理,得到符合条件的车位线,根据车位框特征整理为有效车位,最终输出车位角点坐标。为模拟现实世界中车辆运动与干涉,基于阿克曼转向几何,建立低速泊车工况下的车辆运动学模型,实现仿真时的车辆位姿计算。同时,为保证泊车过程中的安全性,基于快速排斥实验和跨立实验设计车身碰撞检测程序。为分析泊车算法的规划能力,基于圆弧直线泊车,通过几何干涉计算得到车辆的可泊区域,作为对标的可泊区域。针对垂直车位的泊车场景,定义了强化学习要素:将车辆位姿、方向盘转角和汽车与障碍物的最小距离作为状态,以目标方向盘转角为动作。针对强化学习随机探索效率低下的问题,以车辆后轴中心和目标位置的连线,与航向角的夹角计算引导奖励。同时以车身与周围障碍物的最小距离计算避障奖励,进一步提高智能体选取动作的安全性。针对训练过程中成功样本与失败样本失衡问题,以回合平均奖励作为优先级,设计基于优先队列的经验池结构对样本进行存储和淘汰。针对训练前期不同起始位姿的成功泊车样本互相干扰智能体的学习效果的问题,提出基于课程学习的多阶段训练方法逐渐扩大初始位姿的随机区域。在完成上述准备工作后,设计了智能体神经网络的结构,基于Python语言搭建自动泊车的仿真训练平台。结合经验与调试效果,设置了强化学习的训练超参数。最后,对提出的路径规划算法进行训练和性能分析。仿真实验表明:提出的算法收敛速度加快;经过训练得到的规划器具有良好的安全性和健壮性,与传统的基于几何规划的RS曲线方法相比,有着更强的规划能力和泛化能力。