无人驾驶车辆技术近年来发展迅速,已经成为国内外研究的热点方向。无人驾驶汽车辆的设计方案主要有两种,一种是基于规则的设计方案,包含感知、决策与控制三部分,其优点是安全性高、可解释好,缺点是成本高、工程复杂度高且需要高精度地图的支持。另外一种是基于端对端(End-to-End)深度神经网络的设计方案,不过这种方案目前还处于起步阶段,其优点是成本很低、工程复杂度低且不需要高精度地图,缺点是可解释性不够,对算法的要求很高,数据量要求很大,在复杂情况下安全性还不能够保证。本论文主要对无人车的两种设计方案中的关键问题——跟踪控制方法进行研究,通过分析总结之前的控制方法,比较其优缺点,一方面设计了一种有限频域自适应H∞横向跟踪控制器,另一方面对End-to-End的深度学习控制方案进行改进,并且对两种控制器都进行了仿真和对比。详细内容如下:首先,本文对于不同的设计方案及无人驾驶车辆的各个模块进行分析介绍,明确其主要传感器的功能,对国内外无人驾驶车辆及常用的控制方法的研究发展进行分析介绍。并且对无人驾驶车辆进行运动学与动力学建模,对其中的关键性参数辨识。其次,说明当执行器发生故障时,利用现有的传感器无法准确检测出准确的前轮偏角,所以基于车辆的动力学模型,针对车辆运行过程中可能出现的有限频域干扰与时变的部分失效故障,设计一种有限频域自适应H∞横向跟踪控制器,并与全频域方法比较。然后,针对End-to-End的深度学习控制方案,先介绍深度学习所需的基本知识,在英伟达模型的基础上改进设计了一种CNN模型。之后,利用Udacity模拟器获取CNN模型所需的数据集,训练完成后在模拟器上成功运行,进而对End-to-End的控制方案有了更加直观的感受。同时利用MATLAB对有限频域控制器与全频域控制器进行仿真,对比说明有限频域控制器对于干扰的抑制效果更好,其稳态误差更小,而且比End-to-End控制方法更可靠。不过考虑到成本原因和目前研究的现状这两种控制方案并不对立,如何结合使用将是接下来研究的重点。最后,对全文进行总结和展望。