在自动驾驶汽车中,驾驶员的感观替换为传感器、驾驶员的决策替换为上层控制器、驾驶员的操纵替换为下层控制器。传感器参数的确定性使自动驾驶汽车的性能取决于上、下层控制器上。上层控制器掌握自动驾驶汽车的规划决策,下层控制器掌握自动驾驶汽车的执行控制。因此,决定自动驾驶汽车安全性、稳定性、舒适性的是下层控制器。基于车辆的控制方式,下层控制器可分为横向控制器和纵向控制器。其中横向控制器通过控制车辆的转向盘来实现车辆的横向运动,且车辆的横向运动往往决定车辆的安全性、稳定性和舒适性。自动驾驶汽车在弯道时进行持续的横向运动,更能表现车辆的性能。本文对弯道上自动驾驶汽车的转向控制方法进行研究,以模型预测控制、神经网络控制两种算法实现车辆的转向控制,主要研究工作包括:（1）构建车辆三自由度动力学模型作为控制对象,在Pre Scan软件中搭建道路模型和传感器模型,以罗技G29硬件作为驾驶员输入,联合建立人-车-路模型,搭建模拟驾驶平台。通过实车和仿真对比测试,验证车辆动力学模型的准确性,为后续算法的建立奠定基础。（2）构建基于模型预测控制的车辆横向控制器。针对三自由度动力学模型没有考虑车辆侧倾性的缺点,对车辆模型进行改进并建立横摆动力学模型。以转向盘转角为控制输入量,以侧向位移,横摆角偏差,横向距离偏差,横摆角速度为状态矢量建立预测模型。设计性能指标,结合目标函数和系统约束,构建带约束的二次型规划问题并进行求解。经过仿真测试以及与熟练驾驶员的对比分析,确定MPC控制器能够较好的实现车辆横向控制,且能够适应多种环境。（3）针对MPC控制器的复杂性和机械性,提出一种基于熟练驾驶员数据的控制策略,通过采集大量驾驶员数据进行学习,使控制器能够模拟熟练驾驶员的操纵行为。在建立控制器之前,需要对熟练驾驶员数据进行采集、分析、评价、筛选,得到驾驶性能较好的驾驶员数据。在模拟驾驶平台上对熟练驾驶员数据进行采集;从驾驶员的转向能力,车道保持能力和车辆稳定性三个方面对驾驶员的转向行为进行分析;基于层次分析法和模糊综合评价法建立评价模型并设计评价指标,得到驾驶员转向行为的评价结果。（4）基于神经网络算法建立驾驶员数据学习的车辆弯道转向控制器。针对BP算法的缺点,以LM算法对BP神经网络进行改进。设计以车速、道路曲率、横摆角速度为输入,转向盘转角为输出的神经网络控制器;以筛选后的驾驶员数据进行神经网络的学习。对神经网络控制器进行仿真测试和实车验证,通过与熟练驾驶员的数据对比分析可得,在特定的道路上神经网络控制器能够模拟熟练驾驶员的对车辆的转向控制,并能够保证车辆的稳定性。