随着社会不断进步和经济的飞速发展,汽车成为当下社会不可或缺的组成部分,但是机动车数量剧增导致的问题逐渐成为人们关注的焦点,如能源枯竭、生态破坏和交通拥堵等,其中最为严重的是交通事故导致的人员伤亡问题,车辆的智能化技术(自动驾驶技术和高级辅助驾驶系统)被国内外学者视为解决这一难题最有前景的途径。智能无人驾驶系统主要由环境感知、任务决策、规划控制、底层执行等模块组成,本文所研究的基于视觉与雷达的智能汽车横向避障控制主要从以下三个方面展开工作。(1)以单目工业相机作为主要传感器进行障碍车辆目标的视觉检测研究。首先对比现阶段主流目标检测算法,得出AdaBoost算法存在的优势,然后详细阐述分类器训练所需的Haar-like特征算子与AdaBoost算法的基本原理,接着完整介绍AdaBoost的分类器训练流程,并且获得分类器模型文件,最后通过仿真验证了算法在实际道路情况下车辆目标检测的准确性。(2)研究了视觉和激光雷达信息融合的车辆目标检测方法。首先介绍了信息融合算法的运行流程和视频流图像的预处理,然后细致阐述了多传感器信息融合过程中的空间融合和时间融合方法,接着描述了结合激光雷达采集的位置信息和AdaBoost算法的车辆检测具体实现方法,最后经过实车实验平台的验证,信息融合方法在准确性和实时性方面都比纯视觉方法有着显著提升。(3)研究了智能车辆在检测到未知障碍车辆后横向避障控制问题。通过选用双移线工况作为规划出的全局参考轨迹,然后详细介绍了模型预测控制的基础原理和所需预测模型的建立过程,通过约束条件的设置与算法的优化求解完成轨迹跟踪控制器设计,接着通过在算法中添加避障方程和五次多项式实现轨迹重规划器的设计,最后利用联合仿真平台进行控制效果验证,算法实现了对未知动、静态车辆障碍的主动避障控制。