运动控制决定了智能汽车的行驶性能。模型预测控制（MPC）是轨迹跟踪控制的有效手段,但存在实时性差的缺点。近似动态规划（ADP）以离线训练在线应用的方式提高了实时性,但存在离线训练慢和难以应用于多样化交通场景的问题。为此,本文构建了依托最优松弛系数的时域分解迭代框架,提出了时域分解型近似动态规划训练方法,以此为基础设计了面向多样化参考轨迹的跟踪控制策略,为自动驾驶汽车的高实时轨迹跟踪控制奠定了基础。首先,围绕最优控制问题时域分解收敛慢的难题,提出了一种依托最优松弛系数的时域分解迭代架构。利用交替方向乘子法的最优性条件得到满足收敛性需求的松弛系数取值区间,并建立松弛因子和收敛速度的两阶段选择条件。进一步结合最优控制问题单优化变量的数学形式,辨识了松弛系数同迭代效率间的正相关关系,获得了最优松弛系数。对比原有迭代架构,该时域分解架构最多可减少63.7%的迭代次数。然后,针对长时域最优控制策略训练速度慢的挑战,提出了适用于并行计算的时域分解型近似动态规划求解方法。通过引入一致性变量实现系统状态的解耦,将原问题沿预测时域拆分为多个短预测时域的子问题。设计了冗余状态作为网络输入,保证了子问题间相互独立的特性;结合最优松弛系数的时域分解架构,构建了策略网络参数的并行训练机制。仿真表明:对于长预测时域问题,使用该方法的策略网络训练时间减少了 83.6%。进而,面向复杂道路场景的智能汽车运动控制,设计了适用于多样化参考轨迹的跟踪控制策略。通过设计四类典型的参考轨迹和两类参考速度,近似多样化交通场景的状态空间。百度Apollo仿真表明:策略网络实现了连续道路直行、换道和掉头等任务。与MPC相比,速度跟踪误差降低了 0.017m/s,轨迹跟踪误差增加了 0.9cm,决策效率提高了 153.1倍,且累计跟踪损失更小。总之,在跟踪性能相当的前提下,ADP算法极大提高了控制实时性。最后,依托百度提供的Apollo实车平台,部署了面向多样化参考轨迹的策略网络,完成校园场景环形道路的轨迹跟踪控制实验。实验表明:所学习的策略网络可平顺地完成直行、转弯等任务,与MPC相比,轨迹跟踪误差降低了 2.1cm,决策效率提高了 65.8倍,速度跟踪误差仅增加0.021m/s。进一步证明在不损失跟踪性能的前提下,所提方案极大提高了在线控制实时性。