路径跟踪是智能汽车实现自动驾驶的关键技术之一,现有智能汽车路径跟踪研究主要针对良好路面和单一工况,关于对接路面、变曲率弯道等复杂工况的研究较少。本文基于模型预测控制（Model Predictive Control,MPC）理论,分析了不同行驶车速、路面附着系数、道路曲率等因素对路径跟踪效果的影响,针对传统MPC路径跟踪过程中对复杂工况控制效果不佳的问题,进行了多目标综合评价的最优跟踪车速和自适应时域控制参数研究,设计了一种面向智能汽车的工况自适应路径跟踪控制器,并进行仿真和试验验证。论文主要研究内容如下:首先,建立了考虑轮胎滑移的三自由度车辆动力学模型,并对模型作线性化离散化处理,基于LTV-MPC（Linear Time Varying-Model Predictive Control）原理设计了智能汽车路径跟踪控制器。在此基础上计算并添加了自适应转角约束和横摆角速度-横向速度约束,进一步提高了控制器在极限工况下的稳定性。基于CarSim/Simulink搭建了联合仿真试验平台,在不同车速下进行了直线和双移线工况仿真,结果表明设计的MPC控制器均能有效完成对参考路径的跟踪,但控制器的跟踪误差会随着车速的提高而增大。其次,基于总方差法建立了多目标评价的智能汽车路径跟踪综合评价体系,包括操纵稳定性、跟踪精确性、行驶最速性三个子指标。利用熵权法（Entropy weight method）确定了各项子指标的加权系数。通过CarSim/Simulink联合仿真确定了不同路面附着系数下评分最优的各组双移线工况路径跟踪车速。统计结果表明,双移线工况下的综合评价最优车速随着路面附着系数的降低不断减小。然后,分析了影响MPC控制效果的关键参数,根据不同道路曲率和车速,划分了100种稳态转向工况。利用遗传算法（Genetic Algorithm,GA）离线优化各工况下MPC控制器的最优时域参数组合,设计了时域参数自适应MPC控制器。考虑到复杂工况下道路曲率和路面附着系数的变化,设计了纵向车速跟随模块。在此基础上,设计了一种智能汽车工况自适应路径跟踪控制器,并在CarSim/Simulink平台上进行了对接路面双移线和连续变曲率弯道仿真。结果表明,相比于传统MPC控制器,所提出的工况自适应路径跟踪控制器在对接路面双移线工况下行驶稳定性平均提高了14.46%,跟踪精确性平均提高了23.61%;在变曲率弯道下跟踪精确性平均提高了31.68%,对道路工况变化具有良好的鲁棒性,有效提高了智能汽车在复杂路面工况下的路径跟踪效果。最后,基于HCU-HiL平台搭建了智能汽车工况自适应路径跟踪硬件在环（Hardware-in-the-Loop,HiL）试验系统。进行了双移线和变曲率弯道工况试验,将HiL试验结果与相同工况下的CarSim/Simulink联合仿真进行对比。结果表明,本文所设计控制模型在HiL试验中能稳定精确地跟踪期望路径,与仿真结果基本吻合,验证了智能汽车工况自适应控制器在真实控制器运行环境中的可行性与有效性。