智能汽车已经成为了学术界和工业界的研究热点,主要得益于智能汽车的驾驶任务可以由自动驾驶系统执行,这大大减少了人类驾驶员的驾驶负担,提高了驾驶效率和安全性。大量交通的拥堵和伤亡事故都是由“人”这一因素造成的,而自动驾驶能够将“人”这一隐患从“人-车-路”系统中消除,进而大大加强道路交通的安全性。相关研究得出,自动驾驶汽车与熟练驾驶员的差异在于进行转向等操作时,前者给人以较低的舒适性。换道作为车辆在行驶过程中的关键操作之一,对车辆的横纵向控制提出了较高的要求。本文针对智能汽车换道行为中的仿人路径规划和轨迹跟踪控制两大模块展开了研究,主要研究内容如下:首先,挑选具有丰富驾驶经验的驾校教练作为熟练驾驶员代表,以实车与驾驶模拟器相结合的试验方式,采集熟练驾驶员的换道轨迹数据。通过坐标转换的方式实现坐标统一,并对试验轨迹进行分析,进而研究不同因素对换道路径的影响。智能汽车换道这一行为具有较强的非线性特性,基于广义回归神经网络设计了仿人换道路径规划模型。仿真结果显示,广义回归神经网络具有较高的拟合精度,能反应熟练驾驶员的换道操纵特征。再次,对智能汽车的动力学特性进行了理论分析,在理想化假设的基础上建立了2-DOF（two degree of freedom）车辆模型与魔术轮胎模型,并依次对它们的数学表达式进行了推导。进一步,分析了熟练驾驶员预瞄特点,并结合预瞄偏差量、道路环境和车辆状态等特征量,推导预瞄位置偏差和偏航角的关系,从而建立“车辆-道路”系统模型。然后,为了提高智能汽车在不同换道工况下的跟踪精度和乘员舒适性,设计了一种基于可拓理论的仿人轨迹跟踪控制器。控制器可分为上下两层,上层控制器主要是提取智能汽车的轨迹跟踪特征量和划分经典域、可拓域和非域;下层控制器为了满足智能汽车在不同控制域内的控制要求,分别采用了PID反馈控制、前馈-反馈控制和完全前馈-反馈控制,解决了单一控制方法的局限性,实现了全局范围的精确控制。由于可拓控制在切换点会产生控制量抖动,局部稳定性受到影响,因此提出一种基于TSK模糊理论的优化方法,进一步提升了可拓控制的全局稳定性和跟踪精度。通过分析联合仿真对比结果可得,本文提出的基于TSK模糊理论的可拓控制方法具有更高的控制精度和稳定性。最后,通过搭建硬件在环半实物仿真测试平台,验证本文所提出控制方法在真实行车环境下的适应性。介绍硬件在环仿真平台的重要组成部分和结构原理,利用编译软件Veri Stand对上文建立的控制器进行编译,并刷入实时仿真机中,采用D2P电控单元开发平台对跟踪控制算法进行开发。根据硬件在环仿真测试与Simulink仿真测试的对比结果可以看出,两种测试平台下的控制仿真效果一致,其可靠性和有效性得到验证。