智能化是当前汽车产业发展的主要趋势之一,轨迹跟踪控制是汽车智能化的一项重要技术。分布式驱动和线控转向车辆具有四轮转角和驱动力独立可控的特点,在轨迹跟踪控制中,与传统车辆相比有更好的灵活性,利用其在机动性和稳定性方面的性能优势,设计一种保证车辆行驶稳定特性的轨迹跟踪控制算法,从而满足车辆适应不同稳定性状态下轨迹跟踪控制的要求并改善行驶安全性,具有重要的理论与工程意义。本文以分布式驱动和线控转向车辆为研究载体,设计一种轨迹跟踪控制算法,对车辆行驶的稳定性进行分级判定,并根据不同的稳定性级别进行控制器参数自适应调节以满足车辆稳定性和轨迹跟踪精度的要求。通过建立基于神经网络的车辆动力学模型搭建仿真环境,设计算法对控制器参数进行优化,从而解决稳定性级别自适应轨迹跟踪控制器参数设计困难问题。本文主要内容总结如下:1、建立基于长短期记忆（Long Short-Term Memory,LSTM）神经网络的车辆动力学仿真模型。首先,分别研究基于机理和神经网络的车辆动力学仿真模型的建模原理,并分析二者的特点;然后,分别搭建基于机理、基于前馈神经网络和基于LSTM神经网络的车辆动力学仿真模型,通过实验确定神经网络的神经元个数,并通过Car Sim软件采集数据进行训练;最后,对基于机理、基于前馈神经网络和基于LSTM神经网络的三种车辆动力学仿真模型分别进行测试,并对仿真效果进行对比。选取均方根误差指标对模型精度进行评价,结果表明本文建立的基于LSTM神经网络的车辆动力学模型对车辆横向和纵向运动的仿真精度都优于基于机理的和基于前馈神经网络的模型。2、提出一种基于高斯混合模型-隐马尔可夫模型（Gaussian Mixture Model Hidden Markov Model,GMM-HMM）的车辆稳定性分级判定方法。首先,通过分析车辆稳定性的能量相平面,得出车辆转向动能与车辆转向的稳定性具有强相关性的结论,并据此提出以车辆侧向速度的平方和横摆角速度的平方作为稳定性分级判定考虑的变量;然后,设计基于GMM-HMM的稳定性分级判定方法架构,对模型进行训练,并通过分析离线聚类结果,将GMM-HMM隐状态定义为稳定性的4个级别;最后,利用滑动窗口法和Viterbi算法,进行稳定性级别辨识。聚类和辨识实验结果表明,本文提出的方法可较好地进行车辆稳定性分级判定。3、研究基于贝叶斯优化的轨迹跟踪控制器参数优化设计方法。首先,设计基于模型预测控制（Model Predictive Control,MPC）的分布式驱动和线控转向车辆轨迹跟踪控制器,推导预测模型、目标函数及约束以及优化求解的过程。针对MPC控制器参数调节问题,分析控制时域和预测时域对控制效果的影响,提出动态调节时域参数以适应不同稳定性级别;然后,分析贝叶斯优化用于参数优化的工作原理,并基于LSTM神经网络车辆动力学模型建立控制器优化设计仿真环境,利用贝叶斯优化进行控制器参数优化设计;最后,应用Car Sim软件并选取危险程度不同的工况对所设计的控制算法性能进行仿真验证。与定控制时域和预测时域的轨迹跟踪MPC控制器进行对比实验结果表明,本文提出的轨迹跟踪控制算法能更好地适应不同稳定性的工况,改善轨迹跟踪精度的同时也保证了车辆行驶稳定性。