近年来人工智能技术在诸多领域取得了较大的成功,基于深度学习（DL）或深度强化学习（DRL）的局部路径规划方法得到了广泛的发展。基于DL的方法通常需要若干的人工标注或者专家演示,并且学到的动作通常也是有限于数据集的,泛化能力较差。基于深度强化学习的方法目前主要集中在仿真研究领域,很少有工作能够将算法模型最终部署在真实机器人上。本文提出了一种基于深度强化学习的无人地面车辆（UGV）局部路径规划方法。该方法将感知与决策解耦,利用图像与激光雷达结合的多模态感知与UGV周围环境进行可靠的在线交互,并直接进行策略学习,生成灵活动作,避免在行驶过程中与环境中的障碍物发生碰撞。在感知模块方面,为了缩小了仿真和真实环境之间的差距,我们将原始RGB图像替换为其中级视觉表示——语义分割图作为策略输入,其较好的过滤掉图像中的干扰因素并保留了决策规划所需的重要信息;考虑到真实UGV上有限的移动计算资源,我们选择一种轻量级语义分割模型,可以满足实时推断的需求,并专门设计语义分割老师学生模型提高其泛化能力;对于雷达数据,由于其在不同场景下没有本质上的区别,仿真与现实之间不存在明显的差异,因此我们简单的标准化处理。在策略模块方面,我们精心设计了一个轻量级的多模态数据融合网络框架,并引入模态分离学习减轻多模态高维状态空间带来的深度强化学习策略学习的困难;我们还引入两阶段的课程学习减轻直接在高度动态的复杂场景下策略学习的难度并且加速策略训练过程,并利用分布式的深度强化学习训练方法让多个智能体同时与环境交互提高数据采样效率;此外我们还根据局部路径规划任务精心设计了一组合适的奖励函数引导策略学习。在实验方面,我们报告了在仿真环境中课程学习不同阶段的训练曲线;利用松灵机器人SCOUT底盘以及英伟达Jetson TX2计算资源套件、树莓派摄像头、Hokuyo UTM-30LX激光雷达等硬件资源以及LINUX操作系统、ROS系统等软件资源搭建了真实环境实验中用到的UGV平台,然后分别在CARLA仿真环境、真实校园室外场景将所提出的方法与我们方法的两个消融版本以及一些目前最先进的一些其他方法做了对比。大量的实验数据证明,我们提出的方法表现更为优异,其较好的缩小了仿真和真实环境之间的差距,使得在仿真中训练的策略可以轻松的泛化到包含大量静态、动态障碍（如箱子、车辆和行人等）的真实场景。最后我们在室内建筑楼道场景对所提方法也进行了简单的实验测试,实验结果仍然表现优异,进一步证明了所提方法的可以较好的将感知与决策解耦。