城市小汽车数量的日渐增长导致交通出行需求逐渐超过了道路系统所能提供的供给总量,因而引发了愈加频繁的交通拥堵以及安全问题,造成时间以及经济上的损失,人们愈发迫切地需求一种新技术来解决这一城市病。随着人工智能技术更新迭代,实现无人驾驶已经不再是空中楼阁,与传统驾驶模式相比,该技术具有保障交通安全、提升出行效率以及无需驾驶员操纵的优点,能够很好的缓解交通拥堵问题造成的恶劣影响。因此,对无人驾驶技术的研究有较高紧迫性,其进步可以促进城市交通健康发展。无人驾驶领域的研究主要包含三个主要子领域,分别是环境感知、路径规划以及驾驶决策。完善的无人驾驶技术应当对周边环境具有良好感知,根据感知结果完成路径规划,并将路径转换为实际驾驶决策传递给车辆。为了达到上述目标,本文针对各个领域内的问题分别提出了新的解决思路:第一,在环境感知的研究中,本文利用激光雷达获取数据,提出采用基于深度学习的FasterRCNN算法检测道路交通标线。第二,路径规划的研究不应该与环境感知割裂,因此提出将两者结合,设计衔接两项任务的优化算法,考虑到目标检测神经网络输出结果性质,对比多种算法后,采用人工势场法作为设计基础。归纳基于交通标线目标检测结果的人工势场建立规则,依照规则构建人工势场并规划路径。第三,本文在前人研究基础上提出车辆行驶过程可以用一系列连续基本行驶状态集合表达。为了研究行驶过程中可能出现的基本行驶状态,通过UC-win/road软件进行路网建模并且使用配套设备模拟驾驶采集数据。进一步探究规划路径与基本行驶状态之间的内在联系,提出结合规划路径,拟合其近似曲线并用曲线上各点的曲率表示车辆行驶过程中方向盘转角,辅助车辆驾驶决策的方法。第四,本文采用广东省深圳市省道S30、深盐路、盐梅路以及周边城市道路交通标线数据为实例,验证了所提出模型及方法的有效性。综上,无人驾驶技术的实现可以划分成统一框架下的三个具体任务:环境感知、路径规划以及驾驶决策。首先,采用目标检测方法感知周围环境,其次在感知的基础上通过人工势场法规划行驶路径,接着结合基本行驶状态拟合规划路径的近似曲线并计算曲线上各点的曲率,最后将曲率传递给车辆。构建无人驾驶车辆决策模型,为智能交通与智慧城市的发展提供了新的思路和解决方案。