随着人工智能的快速发展,智能车已逐渐应用于人们日常生活的各个领域,然而当前关于智能车技术的研究大多集中在高速公路等结构化道路,关于校园或工业园等道路场景的研究相对较少,同时园区道路场景有着工况简单、行驶车速低、障碍物多为静态、便于落地应用的特点,因此本文针对园区道路场景展开研究,提出激光雷达点云配准、智能车路径规划和跟踪控制方法,并对所提方法进行了联合仿真和实车试验平台的验证。本文的主要研究内容如下:（1）针对车载激光雷达扫描的点云数据,提出了改进的FPFH-ICP点云配准方法。首先使用Voxel Grid滤波器和Statistical Outlier Removal滤波器进行预处理;其次采用快速点特征直方图（Fast Point Feature Histograms,FPFH）提取点云特征,基于采样一致性进行初始配准;然后建立K-D树并在传统迭代最近点（Iterative Closest Point,ICP）配准的基础上添加欧氏距离阈值和法向量阈值,实现点云的精确配准;最后在不同的场景中进行对比分析,结果表明改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%,比点特征直方图（Point Feature Histograms,PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%。因此改进FPFH-ICP配准在配准效率和精度上均更具优势,可为后续实现自主路径规划提供定位保障。（2）提出了基于麻雀搜索算法的智能车多目标路径规划方法。首先,通过分析当前常见的路径规划模型,对比得出五次多项式模型性能更优,并推导了Frenet坐标系与笛卡尔坐标系的转换过程;其次,针对园区道路场景中车辆缺乏全局信息的特点,提出了长短时路径规划的方法,融合五次多项式和改进的人工势场法,建立了车道内势场模型、车道间势场模型和障碍物势场模型,获得避障候选轨迹簇;再次,通过车辆矩形模型对候选避障轨迹进行了碰撞检测;然后,以安全性、舒适性和换道效率为评价指标,构建多性能目标函数,采用麻雀搜索算法获取综合最优的避障轨迹;最后,分别设置不同的避障场景,验证了麻雀搜索算法在不降低求解精度的前提下,能够更好的保证避障轨迹求解的实时性。（3）提出了基于分步预测的智能车轨迹跟踪控制方法。针对园区道路中智能车行驶车速较低的特点,首先建立车辆运动学模型,将前轮转角和行驶车速设置为控制变量;其次为提高跟踪控制的求解速度,将车辆运动学模型线性化,构建智能车线性时变模型;然后提出分步预测的方法,在预测时域中构建多个预测模型进行跟踪控制,并设定适当的目标函数和约束条件;最后分别设置不同的工况,与线性二次型调节器控制和模型预测控制进行对比,证明了基于分步预测的轨迹跟踪控制方法在不同行驶车速下的跟踪精度更优,且能够满足智能车的实时性要求。（4）针对所提的路径规划与跟踪控制方法进行联合仿真和实车试验。首先搭建基于Prescan/Simulink的联合仿真平台,分别设置不同的园区道路场景,验证所提路径规划与跟踪控制方法的仿真效果;然后搭建了实车试验平台,在校园中进行了所提点云配准、路径规划和跟踪控制方法的实车验证。联合仿真与实车试验表明,本文所提的点云配准算法在配准精度和效率上均具有优势,路径规划和跟踪控制算法在保证实时性的前提下,智能车在园区道路场景中有较优的安全性和舒适性。