路径规划是智能驾驶技术研究领域的核心,是实现汽车智能化的关键环节。目前大多数路径规划研究中都将障碍物视为静止状态。本文考虑实际行车环境中前方障碍车辆的动态移动性,提出一种基于考虑环境车辆动态移动性的高速智能车轨迹规划方法。主要研究工作包括:（1）基于支持向量机（Suppport Vector Machine,SVM）算法识别前车驾驶意图。分析智能车面临的典型驾驶场景,利用Prescan软件搭建与之对应的道路环境;同时,参照智能车传感器配置方案,在Prescan中为智能车配备虚拟传感器系统,采集行驶过程中周围环境车辆的状态信息。通过坐标转换计算保证传感器参考系统的一致性。最后将采集的数据经过滤波降噪后作为支持向量机的特征向量,由此训练出可识别前车驾驶意图的支持向量机模型,为后文基于驾驶意图的前车轨迹预测奠定基础。（2）设计了结合环境车辆运动状态和驾驶意图的轨迹预测算法。根据支持向量机识别出的环境车辆的驾驶意图,在Frenet坐标系下利用五次多项式规划出环境车辆的可行驶的轨迹簇,再基于车辆行驶安全性和舒适性的考量下,建立轨迹约束函数,由此选出环境车辆最优的长期轨迹;与此同时,基于环境车辆当前状态信息利用无损卡尔曼滤波预测前车短期行驶轨迹。通过选取合适的权重函数将预测的长、短期轨迹进行融合,提高对环境车辆的行驶轨迹预测的精准性。（3）改进适用于结构化道路及动态障碍物的人工势场算法（Artificial Potential Field,APF）。目前,传统APF算法在实际应用中存在易陷入局部最优值、未考虑动态障碍物以及不适用于结构化道路等问题。本文考虑智能车在行驶过程中受到的道路环境约束,将传统APF的圆形斥力场优化成椭圆形斥力场,并加入与障碍物速度相关的速度斥力势场函数。通过分析智能车转向机构限制和舒适性约束,建立了最大转角及其变化率约束条件。在此基础上,针对APF算法中通常将障碍物设置为静态,无法体现障碍物的动态移动性问题,根据移动障碍物的预测轨迹,将APF算法中的障碍物位置进行动态更新,实现避撞轨迹的动态规划。为验证以上动态路径规划算法的可行性,设计了Prescan-Simulink联合仿真模型,采用Pure Pursuit算法进行轨迹跟踪控制。仿真结果显示,本文提出的路径规划策略在较为准确预测环境车辆未来轨迹的基础上,能够有效地规划出兼具安全性和舒适性的避障路径。