主动避障是智能驾驶汽车核心技术的关键组成部分之一,是利用包括毫米波雷达、激光雷达、机器视觉等先进传感技术来感知和反馈道路环境信息,再经由系统进行处理和判断分析是否存在障碍物,并规划避障路径。但由于道路环境具有高度动态特性,必须对不可预测障碍物进行快速准确实时识别和进行局部路径规划调整,因此,本论文以局部路径规划方法为研究对象,以安全性和时效性为评价指标,对传统人工势场进行改进,构建了基于改进人工势场的局部路径规划算法,并运用边缘计算对其优化,主要研究内容如下:（1）通过对传统人工势场算法的研究,分析其局部极小值与目标不可达问题的力学产生机制,基于毫米波雷达对障碍物方位角θ0的测定功能,在静态场景下引入实验车与障碍物距离作为斥力调节因子S（M,Mg）,确保目标点附近的斥力不至于过大解决目标不可达问题;在此基础上,再引入方向角θ（>θ0）和附加力增益系数k,构建了附加力k·S（M,Mg）cosθ数学模型,确保实验车在传统算法极小值点处合力不为零,解决了传统人工势场算法的局部极小值问题。该方法由本文首次提出,其优势在于模型简洁,相关控制参数容易获取。对动态障碍物,依据雷达对其速度与位置的探测,预测出其任意时刻位置,建立了基于预测位置的避障算法。（2）设计了基于改进人工势场算法局部路径规划的算法流程和时效性、安全性评价模型,采用正交实验法确定了附加力增益系数k、引力增益系数α、斥力增益系数β的有效取值范围,运用Matlab仿真软件,对斥力峰值与合力峰值进行了数值仿真分析,静态场景下,斥力调节因子可明显降目标点附近的斥力影响,改进算法的斥力峰值与合力峰值均具有随障碍物与局部路径规划起始点间的距离的增加而呈现出指数减小的规律,斥力在目标点附近可衰减为零,确保了实验车实现目标可达;引入的附加力可改变传统算法局部极小值点处的合力大小与方向,从而解决了传统算法的局部极小值问题。改进前后两种算法仿真时长均为0.26s,时效性基本相同,安全指标由传统人工势场法的0.0188提升到0.305。动态场景下,位置预测避障算法能够可靠避开动态障碍物。（3）在局部路径规划的基础上,以时效性为优化目标,将边缘计算V2I（Vehicle to Infrastructure）卸载模型,以及本地设备、V2I 和 V2V（Vehicle to Vehicle）三者联合卸载策略应用于改进人工势场算法局部路径规划。对V2I模型采用将任务整体分割成任务单元,获得了在实验车车速、通信状况等不同条件下的基于最小化时延的最佳卸载比例（0.93）及其能耗（27.2J）,对联合卸载模型在不同卸载顺序的最优化时效性进行分析,V2I卸载优先的时效性（6.72s）优于V2V卸载优先（7.08s）。最后采取改变步长的方法分别运用本地设备与边缘服务器独立进行路径规划计算,结果显示两条路径基本重合,以此证明了边缘计算应用于局部路径规划数据计算的可行性与稳定性。