近年来,随着无人驾驶技术的快速发展,无人驾驶车辆匹配了越来越多的使用场景。无人驾驶车辆主要由底盘和无人驾驶系统组成,无人驾驶系统中环境感知是前提,轨迹跟踪控制是实现车辆自主行驶的基础,本文针对厂区场景的预设路径轨迹跟踪行驶任务,设计出相应的环境感知系统和轨迹跟踪控制系统。障碍物检测系统中,针对传统欧氏聚类算法聚类分割小体积障碍物不准确的问题,提出了改进欧氏聚类算法以提高小体积障碍物检测的准确率;定位系统中,由于厂区中房屋、厂房排布较为紧密,GPS信号弱,无人车容易丢失位置信息,所以使用同时定位和建图技术进行优化,利用点云配准算法计算出车辆位姿信息;由于厂区中对车辆有限速要求,为简化轨迹跟踪控制系统的复杂程度,基于车辆运动学单轨模型,设计出模型预测的轨迹跟踪控制算法。具体的研究内容的总结如下:首先,针对厂区场景下欧氏聚类算法检测小体积障碍物不准确的问题,提出了一种基于改进欧氏聚类算法的障碍物检测算法,障碍物检测算法共分为预处理阶段和聚类分割阶段。预处理阶段明确感兴趣区域后,利用随机采样最大似然估计算法准确地分离地面点云和非地面点云,为聚类分割阶段提供丰富的障碍物点云信息。聚类分割阶段,提出利用区域划分策略来改进欧氏聚类算法,以提高聚类分割的准确率,并通过点云远疏近密的特性,建立距离与相邻点云间距关系模型,解决了阈值选择困难问题。最后进行实车试验,验证了改进欧氏聚类算法相较于欧氏聚类算法能提高障碍物检测的准确率,所设计的环境感知系统能较准确地检测出障碍物。其次,针对厂区场景GPS信号较弱,无人车无法利用GPS完成定位的问题,提出了利用同步定位和建图技术优化定位系统。利用Autoware的激光雷达建图功能模块,建立一张既定行驶路径的环境点云地图,并通过基于正态分布的点云配准算法计算车辆当前时刻的位姿。通过实车试验,车辆行驶一圈后定位误差仍小于0.2m,证明了基于点云地图的定位方案能担任厂区场景下车辆的定位任务。最后基于车辆运动学单轨模型,设计出模型预测控制算法,利用Carsim和Simulink搭建联合仿真模型,检验预设路径下沿轨迹行驶的能力。仿真试验表明,车辆运动学模型不仅能降低轨迹跟踪控制系统的复杂程度,同时具有较好的轨迹跟踪行驶能力,证明了轨迹跟踪控制系统的有效性。