得益于科学技术的突破发展和迅速普及,无人车的应用面越来越广,给山地侦查和勘探提供了更加智能的手段,但是山地环境复杂,海拔变化大,气候条件恶劣,如何保证无人车能够快速准确地行进,完成任务是基本的要求。本文从路径规划以及强化学习方法研究现状入手,对环境建模、基于深度强化学习方法的全局路径规划、基于人工势场法的局部路径规划所涉及的相关技术原理进行了介绍,完成基于环境的无人车避障路径规划系统设计与功能实现。本文主要完成以下几个工作:1.本文提出基于山地环境的环境建模策略。该方法基于栅格建模法,在栅格划分时结合获取的高程数据采样点,以高程数据的分辨率为栅格大小,以采样点为栅格中心,基于geohash算法对高程点的地理信息进行编码,以此编码为栅格编码,利用栅格膨化技术对障碍物在栅格中进行描述。2.在复杂山地环境中改进DQN算法实现全局路径规划。首先是在完成栅格建模以后的工作空间中,计算每个栅格关于动作空间的栅格动作代价,基于每个栅格的动作代价来训练神经网络,改进DQN中的动作选择策略,以ε-greedy策略作为动作选择的策略,在完成动作选择以后根据栅格的动作空间给出下一个状态,根据栅格代价来定义动作价值函数,根据动作价值函数来确定每个动作所获得的奖励,代价小的动作获得更高的奖励,代价大的动作获得更少的奖励,最后以获得最大的奖励为目标进行梯度下降优化,将每次状态转移记录下来,输出为全局路径。3.结合应用场景改进人工势场法实现对动态障碍物的躲避。基于全局路径规划中提出的栅格动作代价,引入一个参数来改进传统的人工势场法,通过利用栅格点中的经纬度计算规划路径点和目标点之间的实际距离,降低了算法运行时的计算压力,通过对距离的判断和计算,优化了人工势场法,解决局部极小值问题和目标不可达问题。