随着当代科学技术的不断发展,人们的生活水平不断提高,汽车产业得到了飞速的发展。同时随着汽车数量的快速增长,由停车点的数量和空间紧张而引起的停车事故的发生率也在不断增加。而对于经验不足的驾驶员来说,泊车事故的发生往往是由频繁的错误操作或过度紧张造成的。因此,自动泊车技术成为了智能汽车领域研究中的一个重要研究课题。本文即采用了强化学习算法来对平行泊车及垂直泊车两种常规泊车工况下的自动泊车控制策略进行设计。为了凸显基于强化学习的自动泊车控制策略的优势,本文首先基于模糊控制理论对平行泊车与垂直泊车两种常规工况下的控制策略进行设计。通过结合驾驶员泊车经验以及模糊理论,设计两种常规泊车工况相关的隶属度函数,并基于模糊逻辑理论设计常规泊车工况下的模糊规则,从而实现模糊控制策略的设计。为验证其可行性,基于PreScan搭建了两种常规泊车工况的虚拟场景。并在Simulink中搭建模糊控制模型进行实验验证。实验结果表明,基于模糊理论的自动泊车控制策略在常规泊车工况中能够有效地控制车辆泊车入位。更重要的是根据常规泊车工况建立高度保真的泊车环境用以训练强化学习模型。然后,基于强化学习理论,提出了一种基于Q学习算法的自动泊车控制问题。选取后轴中心坐标作为状态变量,前轮转角作为动作变量,以车辆距目标泊车位置的距离的倒数作为控制策略中的奖励函数。通过状态变量和动作变量设计的三维Q表,其值由当前状态的即时奖励和下一状态的最大Q值的衰减值构成。同时由于三维Q表的查值复杂程度较高,因此设计降维方法对Q表中的二维状态变量进行降维处理,从而实现计算的高效性。除此之外,为使得更多动作被探索利用的概率增加,以便于保证在全局范围内筛选出最优动作,因此本文设计了ε贪婪算法用来探索和利用最优动作,从而在遇到障碍物时能够使车辆实现自主的学习过程。基于上述对Q学习算法在自动泊车控制策略中的应用分析,本文基于Python分别对平行泊车、垂直泊车两种常规工况下的自动泊车控制策略以及非常规工况下的自动平行泊车控制策略进行设计并验证。同时,为进一步验证离线训练得到的Q表的可行性,基于dSPACE自动驾驶模拟平台,通过联合MATLAB/Simulink与PreScan搭建了自动泊车硬件在环仿真测试系统。该系统包括电气柜、轮速模拟平台、底层执行机构以及平行泊车PreScan虚拟场景,用来模拟真实的平行泊车驾驶场景。基于该系统实现对自动平行泊车控制策略的硬件在环仿真测试。结果表明,设计的基于强化学习的自动泊车控制策略能够准确地实现泊车入位功能。