自动驾驶汽车是提升交通智能化水平的重要途径,也是交通强国建设的主要内容。然而,汽车本身是多自由度强耦合的非线性系统,其运动规划可行域也呈现出高维非凸特性。一方面,常用的车辆模型只适用于特定工况难以满足高级别自动驾驶需求;另一方面,随着智能化等级的提升,复杂场景下的运动规划优化维度急剧增加导致求解实时性不够。这些问题已成为制约基于非线性模型预测控制（NMPC:Nonlinear Model Predictive Control）的运动规划实用化的瓶颈。本文以NMPC运动规划为基础,从车辆动力学预测模型建立与简化、高精度低维度的数值离散化方法、分层式的分布式并行优化求解以及实验验证四方面开展如下研究。车辆预测模型是NMPC运动规划的基础。然而,当前的运动学模型和单轨动力学模型只能适用于低速或者高速小转角工况。为此,本文在对日常出行的车辆工况范围进行统计分析基础上,建立了高低速以及大转角工况同时适用的纵横向交互耦合车辆动力学模型。为平衡模型的复杂度和精度,通过幅频特性分析进一步研究了纵横向动力学之间的耦合特性,并对动力学耦合影响较弱的部分进行合理简化得到单耦合动力学模型,在保证模型精度的前提下降低了模型的计算复杂度。最后,基于不同模型设计的NMPC运动规划的对比仿真显示,本文提出的单耦合动力学模型提高了基于运动学模型的NMPC运动规划在高速轮胎侧偏工况的性能,提高了基于单轨动力学模型的NMPC运动规划在低速大转角工况的性能。离散化的NMPC运动规划问题的优化变量维度及非凸约束数量直接影响其求解的实时性。常用的多重打靶离散化方法的局部插值特性决定了其需要以密集的打靶点来保证精度,导致优化问题维度过高。本文从车辆动力学连续且强非线性的特性出发,应用拉格朗日正交多项式插值的离散化方法,利用预测时域内的全局信息在保证精度的同时减少了离散点。由于车辆动力学在不同工况呈现的非线性程度不同,通过对离散化误差分布特性的数值研究,提出了自适应变阶次的离散化方法进一步降低了离散化维度。多障碍物场景下使用椭圆避障约束使优化问题具有非凸特性,而使用线性避障约束会导致过于保守的规划结果。针对此问题,本文从障碍物对自车的影响程度出发,对自车影响最大的障碍物采用椭圆避障约束,其它障碍物采用对椭圆避障约束进行离散化和凸化得到的线性时变安全走廊约束,进而提出一种混合避障约束方法,实现了避障约束非凸性与保守性的平衡。上述的优化变量降维和避障约束凸化方法减少了运动规划对计算资源的消耗,但目前的主流车载处理器仍难以满足要求。为充分发挥车载高性能处理器多核特性,本文通过并行优化在数值求解层面进一步提升NMPC运动规划的实时性。针对NMPC运动规划存在优化变量耦合不能分块并行优化的问题,应用一致性优化方法引入全局变量将原始耦合优化问题转化为可分解的问题。进一步,在理论分析NMPC运动规划并行优化过程的特性基础上,采用一致性约束松弛方法完成NMPC运动规划满足收敛性必要条件的并行求解转化。在此基础上,提出了NMPC运动规划的分层并行优化算法,该算法通过内层的交替方向乘子法实现并行优化以提高实时性,通过外层的增广拉格朗日乘子加速松弛变量收敛以保证解的可行性。基于Lyapunov函数迭代下降性方法的理论分析表明该算法具有全局收敛性。为了对所提出的NMPC运动规划方法的有效性进行验证,基于d SPACE快速原型控制器和Pre Scan等软硬件集成开发了实车实验平台以及车辆在环实验平台。通过高速多障碍物场景的车辆在环实验对比分析了本文提出的NMPC运动规划方法与传统方法规划结果的安全性和舒适性,并通过坡度与曲率变化的弯道、人行道、红绿灯路口、交通拥堵、合流道以及车道减少等六个典型场景的实车实验对本文提出的NMPC运动规划方法的有效性进行了验证。由实验结果可知,本文提出的NMPC运动规划方法在不同车速范围、变化道路曲率以及多障碍物复杂场景下都具有良好的运动规划性能,且最大单步运行时间小于50ms,实时性满足车载应用的要求。