装载机作业环境恶劣,驾驶员在持续作业2小时后其体力和耐久力会明显下降,视力和听力也会变差,精力无法集中,对行驶安全造成极大威胁;国内装载机驾驶员的年薪为12万元左右,每年一辆装载机人力成本近50万元。自动驾驶装载机的广泛应用,是发展无人化土石方作业技术,实现安全高效绿色作业的关键。相对于普通乘用车人流量大、道路复杂的交通环境,轮式装载机的作业场景单一、重复性高,更容易实现自动驾驶。然而,由于缺乏对装载机的循环作业评价方法,无法制定合理的循环作业规范等级,在V型作业模式下,不能得到最优的循环作业规范,又由于规划所得轨迹不符合装载机实际作业行驶特点,加之轨迹跟踪控制系统不具备对新环境和新任务的自适应能力,无法满足自动驾驶轮式装载机对不同行驶环境具有自适应能力的智能化控制需求。鉴于此,以自动驾驶轮式装载机为研究对象,以满足对不同行驶环境具有自适应能力的智能化控制需求为目标,基于装载机实际驾驶数据,提出了一套轮式装载机行驶轨迹规划与轨迹跟踪控制方法。首先采集装载机V型作业模式下的驾驶数据,研究装载机循环作业优劣评价方法;其次,构建装载机动力学模型,综合考虑轮式装载机车速、加速度、最小转向半径等约束,以最优快速随机扩展树算法（Optimal Rapidly Exploring Random Tree,RRT*）、CC-Steer（Continuous Curvature Steer）和路径-速度分解算法为数学基础,研究满足装载机在工作区域正向/反向行驶状态下的无碰撞行驶轨迹规划方法;然后,考虑路径曲率扰动,基于模型预测控制理论,研究对路径曲率有自适应能力的自适应模型预测控制（Adaptive Model Predictive Control,AMPC）轨迹跟踪控制方法;最后,基于确定性策略梯度（Deep Determinstic Policy Gradient,DDPG）深度强化学习算法,研究数据驱动框架下对新环境和新任务有自适应能力的DDPG深度强化学习轨迹跟踪控制方法。通过本研究的实施,为保障自动驾驶轮式装载机在不同行驶环境下的自适应能力提供理论支撑。本文主要研究内容如下:（1）采集了不同驾驶员在装载机V型作业模式下的驾驶数据,分析了装载机驾驶员的作业特点,研究了装载机循环作业优劣评价方法。构建了装载机驾驶数据采集系统,采集了熟练驾驶员和非熟练驾驶员在V型作业模式下的驾驶数据。提取了循环作业相关参数,即循环作业时长、行驶路程和制动滑摩功,在此基础上,分别在不同作业循环和不同作业方式条件下对以上参数进行了分析。所提评价方法为V型作业模式下自动驾驶轮式装载机作业时长和行驶路程的选择提供了一定的理论依据。（2）建立了能够反映轮式装载机操纵稳定性的整车动力学模型,研究了满足装载机在工作区域正向/反向行驶状态下的无碰撞行驶轨迹规划方法。以轮式装载机为研究对象,利用未来时刻的路径曲率信息和当前时刻的车辆状态信息,建立了反映装载机在轨迹跟踪过程中横向位置偏差和航向角偏差的动态偏差模型,在此基础上,构建了能够反映轮式装载机操纵稳定性的整车动力学模型。结合轮式装载机的车速、加速度、整车最小稳定转弯半径等驾驶数据,以RRT*和CC-Steer等算法为数学基础,计算生成了同时考虑空间和时间因素,并具有避障功能且符合装载机实际作业行驶特点的轨迹点集。（3）研究了一种对行驶路径曲率有自适应能力的自适应模型预测轨迹跟踪控制方法。基于装载机动力学模型和动态偏差模型,以时变状态下的路径曲率为扰动输入,以加速度和铰接角为控制输入,以车速、横向位置偏差和航向角偏差为输出,建立了满足装载机在工作区域行驶的AMPC轨迹跟踪系统。以规划的行驶轨迹为目标,利用构建的AMPC轨迹跟踪系统,进行了自动驾驶轮式装载机的轨迹跟踪仿真验证,实现了对路径曲率有自适应能力的AMPC轨迹跟踪控制。（4）研究了一种基于深度强化学习的轮式装载机轨迹跟踪控制方法。以DDPG深度强化学习算法为数学基础,构建了四种不同类型的环境模型以及与环境模型相对应的四类DDPG智能体。通过基于试错机制的交互式学习,得到了不同环境模型下逼近于最优控制策略的DDPG智能体。以规划得到的V型作业行驶轨迹为目标,利用构建的深度强化学习轨迹跟踪系统,进行了不同环境下自动驾驶轮式装载机的轨迹跟踪仿真验证。摆脱了轨迹跟踪控制方法对车辆模型的依赖,实现了对新环境和新任务的具有自适应能力的深度强化学习轨迹跟踪控制。