机器学习技术广泛应用于车辆的智能驾驶,其中模型训练是应用该技术的关键,由于训练数据难以覆盖全部驾驶情况,这就使得在极端状态下,基于机器学习的智能驾驶系统存在失效风险,可能会造成重大交通事故。生存理论应用于车辆的道路安全态势感知具有理论优势,其能客观地计算出车辆最大的高维生存空间,但该理论迭代计算繁琐,输出结果所需时间较长,无法满足高速车辆的实时控制,并且生存核表面复杂,智能驾驶系统难以直接使用,需要将生存核转化为局部最优路径,为此设计了一种基于生存理论的局部路径规划机器学习训练方法,通过对多种机器学习方法的特点进行分析,最终选定径向基神经网络来输出生存核中线投影。通过对比两种网络训练数据的输出效果,分析参数敏感性以及泛化能力,论证了所提训练方法的合理性。仿真实验表明,所训练的机器学习模型可快速输出高精度、大裕度的道路优化路径,即使使用简单的控制律也能实现无人车辆的大曲率转弯。由于所提机器学习方法的安全性具有理论保障,又能大幅提升安全计算的实时性,所以在智能驾驶领域拥有广阔的应用前景。