智能车辆相关技术已实现了长足的发展，并已能够在有限封闭场景中实现自主行驶的基本功能. 然而，实际道路测试结果表明，目前智能车辆技术仍存在较多局限，而智能车辆在复杂城市与越野环境的大规模应用仍面临较多挑战. 作为智能车辆关键技术之一，运动规划与控制技术已基本建立了完整的理论体系并已得到较多工程应用，但传统方法在实际应用中仍存在动态复杂场景理解能力弱、场景适应性差、模型复杂度高、参数调整难度大等缺陷. 由于机器学习方法具备较强的知识表征与模型拟合能力，其已经在智能车辆的感知与导航技术中得到了广泛的应用. 而为了解决传统运动规划与控制技术存在的泛化性与适用性等问题，许多研究者近年来也开始探索基于深度学习、强化学习等机器学习方法的运动规划与控制方法. 本文将对目前基于机器学习的智能车辆规划与控制方法研究现状进行回顾，从规划与控制策略基本架构、基本学习范式以及基于学习的规划与控制方法三方面对现有智能车辆规划与控制策略学习方法进行分析，最后对研究现状与未来发展方向进行总结与展望.
PDF全文下载地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=52179b61-3d0f-49b1-bed0-75ff39d51d4f