随着人工智能和各种先进传感器的发展,智能车辆正逐步走向公众视野。在所有交通事故中,驾驶员操作问题占比最大,智能驾驶可以使人们从复杂的驾驶环境中解脱出来,提高驾驶安全性。因此,世界上大多数国家都将研究重点转向了智能驾驶,而精确的路径规划和精确的路径跟踪是研究高级智能驾驶的基础。本文针对智能车辆在园区路况下的行驶问题,解决了智能车辆的局部路径规划失败与跟随控制精确度差等问题。为保证实验的安全性,选择了较为宽敞的园区作为实验环境。研究内容具体包括以下几个部分:（1）建立了车辆的数学模型,提出了两种改进的人工势场算法。为了提高路径规划和跟随控制的精度,建立了车辆的数学模型。在局部路径规划研究中,传统人工势场法易出现局部极小值,导致智能车辆在局部极小点处振荡或停止,针对此问题,提出了两种改进的人工势场算法。第一种右转人工势场法,右转人工势场法可以迫使智能车辆在处于局部最小点时右转,并跳出局部最小点。第二种是基于模拟退火法的人工势场法,当智能汽车处于局部极小点时,随机选择局部极小点附近的一个点,并以概率接受它作为下一个点。利用模拟退火方法本身的研究概率跳出最小点,提高收敛速度。（2）为了提高控制精度,提出了一种基于改进MPC和混合PID控制的路径方法。由于传统的单路径跟踪控制算法不能准确跟踪路径,纵向速度控制较差,为了保证智能车辆能够按照路径规划层规划的路径行驶,即准确跟踪路径,智能车辆的横向和纵向采用分层控制,横向采用模型预测控制器,纵向采用混合PID控制器。在横向控制中,增加了前轮的偏转限制,引入了松弛因子,保证了侧向控制的稳定性。在纵向控制中,传统的PID控制器采用固定的P、I和D值,不能保证纵向控制的鲁棒性。本文根据不同的路面条件设计了混合PID控制器,保证了智能车辆纵向控制的准确性和稳定性。（3）仿真实验与实车实验。为了验证所提出的改进人工势场算法和基于模型预测控制和混合PID的控制算法的可行性和鲁棒性,利用Matlab/Simulink和Car Sim建立了联合仿真平台。在园区试验场地进行了不同车速和路况下的实车试验,提高了理论和仿真的可靠性。本文提出的轨迹规划算法和轨迹控制算法具有良好的效果和较强的鲁棒性。