无人驾驶技术是近来国内外研究的热点,对交通、军事领域有重要意义。无人车运动控制是无人驾驶研究的核心问题之一。无人车逐渐由封闭道路场景走向开放道路场景,道路场景越来越复杂,而传统的无人车运动控制分层模型使用运动规划和反馈控制相结合的方法,缺乏一定的智能性,难以适应复杂的道路场景。因此复杂场景对无人车运动控制形成了挑战。无人车运动控制的智能化是解决复杂场环境下安全驾驶的有效途径,近年较为流行的端到端模型采用学习的方法,具有一定的智能性,但其缺乏一定的可解释性且无法对多种驾驶行为进行支持。对此,本文对无人车智能运动控制模型和方法展开研究,具体研究内容如下:第一,无人车智能运动控制分层模型研究。首先对比分析目前无人车运动控制模型的特点,提出复杂场景下的支持多驾驶行为的“元动作决策-车辆控制”分层模型框架;其次对驾驶行为分解,确定分层粒度;再其次提出受控模型,对分层模型中每一层模型进行单独抽象,并验证分层模型的可行性;最终结合受控模型与深度强化学习算法提出完整的运动控制模型框架。第二,基于深度Q网络的元动作决策方法研究。首先结合深度Q网络算法对元动作决策模型进行建模;其次研究深度强化学习在半马尔可夫下的近似优化方法,最终结合换道行为对元动作决策模型进行实现,验证元动作决策模型可行性并对结果进行分析。第三,基于深度确定性策略梯度的车辆控制方法研究。首先结合深度确定性策略梯度算法对车辆控制模型进行建模;其次研究与车辆控制模型与元动作命令的融合方式;最终结合换道行为对车辆控制模型进行实现,验证其控制能力并对结果进行分析。最后,融合元动作决策与车辆控制的无人车运动控制模型实现。首先对TORCS无人驾驶仿真平台进行修改并编写交互环境,为运动控制模型的完整实现提供训练环境;其次将两个模型进行融合建模;最终验证其在复杂场景下的换道行为的运动控制能力并对结果进行分析。