目前自动驾驶是当今科技发展重要的一环。智能车通过环境感知系统获取周边环境信息,在构建的环境地图上利用规划模块得到智能车可行驶的轨迹,在通过控制系统对轨迹点进行实时跟踪,从而达到汽车的自主行驶。本文在周边环境已知的情况下,对局部路径规划与轨迹跟踪控制问题展开研究,具体研究内容如下:（1）研究了智能车辆在园区、港口、停车场等复杂环境和城市结构化道路环境下的局部路径规划方法。并在复杂环境下使用RRT和Astar算法进行路径搜索,RRT算法搜索路径在没有约束条件下曲折蜿蜒,只是一条连接起始点的路径,不是最优的,且撒点随机性导致搜索盲目,因而路径求解时间较长,但RRT算法具有完备性,当存在一条连接起始点的路径时,RRT算法一定可以求解。Astar算法具有启发性,它在栅格化的环境中,可以快速得到一条路径,但Astar只能朝周边四个或者八个栅格移动,不能加入车辆运动学约束,导致路径不利于车辆跟踪。为了让RRT（快速搜索随机树）算法能够在智能车辆领域广泛应用,解决RRT算法的搜索效率低、最近邻搜索函数不合理等问题,本文提出了一种基于Astar算法改进的RRT算法。利用Astar算法在低分辨率的栅格地图中生成最短路径构造引导域,解决RRT撒点的随机性,同时在RRT算法的最近邻搜索函数中考虑车辆运动学约束,使规划路径满足车辆正常跟踪,并在新节点生成时重新选择父节点和重布线,使搜索路径趋近最优。通过仿真实验,验证了该算法的有效性和实用性。（2）针对三次B样条曲率连续的特点,使用该方法对路径点进行平滑处理,得到最终的可执行路径,并通过仿真验证了平滑算法的实用性。因改进的RRT只是对静态障碍物避障具有有效性,而障碍环境中一般都存在动态障碍物,因此需进行动态避障。利用五次多项式在ST图（规划轨迹纵向位移与时间的二维关系图）中进行ST曲线构建,其中障碍物在未来时刻所处的位置在轨迹上的投影作为ST图的障碍区域,以目标车辆当前车速匀速走完和最大加速度走完规划轨迹所用时间为基准,创建一组候选速度规划目标时刻点,由目标时刻点可以规划出一系列ST曲线,利用评价函数选取最优ST曲线。最后设计了在城市结构化道路环境下的轨迹规划仿真实验。（3）本文设计了基于MPC的轨迹跟踪控制器。将车辆位置、纵侧向速度、横摆角和横摆角速度作为控制器状态量。控制量为前轮转角。同时还设置了控制量、控制增量等一系列约束保证控制器的稳定性。最后在不同速度的双移线工况下进行了仿真。为了验证规划路径的有效性和控制器的稳定性,本文通过Car Sim与Matlab/Simulink搭建的联合仿真平台对规划路径和控制算法进行仿真验证。结果表明,本文提出的规划算法和轨迹跟踪控制算法具有很强的实用性。