随着人工智能和通讯技术的发展,自动驾驶技术作为一个减少交通拥堵问题和交通事故的解决方案,已成为当前的研究热点。自动驾驶技术主要由定位感知、路径规划和跟踪控制三部分组成,而现有的大多数路径规划控制算法严重依赖昂贵的高精度定位设备,这阻碍了自动驾驶的发展。本文主要对在车载定位系统不精确、车身运动信息存在误差情况下的路径规划和跟踪控制问题展开研究,具体研究内容如下:（1）在路径规划部分,针对参考路点不精确、车身定位不准的情况设计了一种路径规划方法。路径规划模块采用深度强化学习的方法,对深度强化学习的网络结构、状态空间、动作空间和奖励函数进行了设计。在奖励函数设计时考虑了一种奖励塑造的技巧,结合势场法改进了智能体的奖励函数,加快了网络的收敛速度。在路径生成时采取了一种“平行驾驶”的思想,通过激光雷达点云获得的栅格地图将仿真与实际场景相联系,生成规划路径。设计了实车实验,证明了在地图采集存在误差、定位设备受到干扰的情况下,所设计的路径规划算法依然能够生成无碰撞的、较为平滑的路径。（2）在跟踪控制部分,设计了一种基于模型预测的跟踪控制器。在模型预测控制的优化目标函数中加入了终端代价和终端约束,确保了闭环系统的稳定性,提升了控制精度。同时,为了提升模型预测控制器的计算速度,将非线性的终端约束线性化,确保了控制器的实时性。设计了双移线工况的路径跟踪场景,并在横向速度和横摆角速度中加入噪声,验证了所设计的控制器在路径跟踪性能和对干扰的鲁棒性方面的优势。（3）在Matlab/Simulink和Carsim联合仿真平台上设计了静态避障、动态避障和不精确定位的场景,对所设计的路径规划和跟踪控制算法进行仿真对比验证。仿真结果表明,本文设计的规划控制算法能有效对静态障碍物和动态障碍物进行避障,且在参考路点不精确、车身定位不准的情况下有着更为稳定、更为舒适的运动状态,且算法的运行时间也能满足自动驾驶的实时性要求。