在智能控制与工业和科技深度融合发展的时代下,车辆的无人化控制系统已经成为现代车辆发展与生产中不可或缺的技术,不断提升社会生产效率和提高人们的出行体验。车道保持控制技术作为无人车控制最为基础与核心的模块之一,具有重要的研究价值与意义。本文采用深度学习方法进行车道识别检测,通过最小二乘法拟合检测到的车道曲线,结合卡尔曼滤波完成车道线的跟踪与定位,得到车辆在车道上的行驶轨迹,从而完成车道保持控制任务。主要研究内容有:1.采用全卷积神经网络算法来识别检测车道,首先研究了关于典型计算机视觉中识别车道线的边缘检测算法,并设计一种基于边缘检测法标定车道数据集的方法。然后完成数据集制作并训练全卷积神经网络模型,最后通过训练好的全卷积神经网络模型实现对车道的检测与识别。2.针对车道检测误检漏检问题,研究车道线跟踪定位,首先通过全卷积神经网络完成车道检测,得到车道的检测数据。然后通过逆透视变换得到对应的鸟瞰图,提取鸟瞰图上的左右车道像素点坐标,通过最小二乘法拟合车道线曲线方程,求解曲线方程系数。通过卡尔曼滤波器对每次拟合的曲线方程系数进行预测得到最优曲线方程,完成车道线跟踪,并根据左右两车道线方程求解出车道中心线曲线方程以及其曲线斜率,从而得到车辆行驶轨迹。3.为了验证车道保持控制的可行性,采用预测控制模型,将卡尔曼滤波器跟踪得到的车道中心线作为车道保持的控制行驶轨迹,求出行驶所需的偏航角并给定期望速度。构建mpc控制器仿真模型,验证并分析控制模型的可靠性。搭建实车测试平台,完成模型控制测试任务,并进行实车测试与分析。