智能车辆作为智能交通系统的重要组成部分,其发展与推广在减少交通拥堵,保障行车安全与提高乘坐舒适性等方面有着重要意义。尽管智能车辆经过多年发展,但其关键技术在现阶段仍然存在不足,其性能与效率仍有着继续提升的潜力。本文主要针对智能车辆的驾驶行为决策、运动规划、跟踪控制与实车实验四方面展开研究。(1)研究基于深度强化学习理论的智能车辆驾驶行为决策系统。首先,基于马尔可夫决策过程,从车辆行驶安全性、舒适度、行车效率方面构建了智能车辆驾驶行为决策模型;其次,使用深度Q网络对此模型进行求解;最后,进行了仿真实验,实验结果表明,基于该驾驶行为决策系统的决策结果,智能车辆可以合理地实现剧烈的加速,平缓的加速,匀速行驶,平缓的减速,剧烈的减速与车道变换六种驾驶操作。(2)研究基于最大转角约束的APF-RRT算法的运动规划方法。首先,针对智能车辆的运动规划问题,在传统RRT算法的基础上,引入引力思想,提高算法的收敛速度;其次,基于智能车辆非完整性约束运动模型,限制新节点的生成区域,最后,使用3次B样条曲线对规划曲线进行平滑处理。在复杂障碍物环境下进行仿真实验,实验结果表明,该算法可以快速地生成满足车辆运动学约束的安全、平滑的路径。(3)研究智能车辆跟踪控制方法。首先,建立了智能车辆动力学模型,得到了智能车辆跟踪控制的状态空间方程;其次,基于模型预测控制算法与车辆动力学约束设计了跟踪控制器;最后,建立CarSim\Simulink联合仿真平台,在不同车速与不同道路附着条件下针对双移线工况进行路径跟踪,仿真结果表明,该跟踪控制器有着良好的跟踪效果。(4)路径跟踪控制实车实验。在校园环境下,进行实车路径跟踪实验。实验结果表明该跟踪控制器具有良好的跟踪效果。