智能汽车在减轻驾驶负荷、提升主动安全性、改善交通效率以及降低能源消耗等方面具有巨大潜力,受到行业研究人员的广泛关注。轨迹跟踪控制是实现智能汽车自动驾驶的重要支撑技术之一,其在车辆底层执行机构的作用下,调节前轮偏角、车轮制动力等控制参数,使智能汽车以期望速度精准稳定地跟踪参考轨迹。由于智能汽车行驶条件复杂多变,特殊工况下车辆非线性和多维运动耦合特征显著增强,而现有研究中常规的车辆机理分析建模过程通常进行简化及假设,模型精度低会导致轨迹跟踪控制算法效果差,针对该问题,本文提出基于数据驱动理论的智能汽车非线性动力学建模与轨迹跟踪控制方法,以期在提高车辆动力学模型准确性的基础上,实现智能汽车轨迹跟踪控制算法的有效设计,同步提升轨迹跟踪精度和操纵稳定性。主要研究内容如下:首先,构建了有效的车辆横向动力学数据集。通过对车辆动力学系统进行机理分析,基于简化及假设条件建立了包含轮胎动力学模型、纵向负载转移及轮胎迟滞效应的车辆单轨模型。应用最小总方差法分析车辆纵向速度与前轮转角间的极限关系,在此基础上,使用车辆机理分析模型和Car Sim/Simulink模型生成虚拟车辆运行数据,最后结合实际车辆运行采集的状态轨迹数据构建车辆动力学数据集,为后续车辆动力学神经网络建模提供了训练数据支撑。其次,设计了智能汽车神经网络动力学模型及轨迹跟踪控制算法。机理分析模型无法准确表征实际车辆的动力学行为演化规律,进而影响后续轨迹跟踪控制精度甚至安全性。针对该问题,本文将长短时记忆神经网络作为建模主干网络,基于数据驱动理论建立了具有延时输出反馈的神经网络车辆动力学模型;设计了基于神经网络动力学模型的轨迹跟踪控制算法,基于稳态假设求解前馈前轮转角和质心侧偏角,在路径误差反馈控制中添加稳态前馈质心侧偏角,提高了算法鲁棒性。测试结果表明,建立延时反馈回路可以提取车辆历史状态信息,结合隐藏节点,模型测试集均方误差降低至2.93×10-6,同时实现了不同路面摩擦条件下的隐式预测。此外,基于相同控制逻辑,通过双移线工况仿真验证了所提出方法可以实现更高的跟踪精度和更好的车辆动态性能,具有优越性。再次,创新性地提出了基于机理分析-数据驱动的串联混合模型,兼顾机理分析模型的可解释性和神经网络模型的非线性逼近能力,实现不同原理模型间的优势互补,解决使用单一建模方法存在局限、前馈反馈控制算法约束状态控制输入数据导致未能充分利用模型隐式预测摩擦条件能力的问题;在此基础上,设计了轨迹跟踪模型预测控制算法,将离散化后的混合模型作为预测模型,提取车辆状态与控制延时数据关联信息,有效提高实际行驶条件中控制算法对未来车辆状态的预测精度;增加非线性约束条件,设计前馈反馈算法实现纵向控制的同时,提供横向控制所需的预测模型输入,实现良好的横纵向协调控制。通过回旋曲线仿真工况验证了所提出方法可以进一步提高控制精度和驾驶稳定性,对比基于车辆机理模型的控制方法,不同道路附着系数下的峰值横向误差分别降低40.74%和29.35%。最后,完成了智能汽车轨迹跟踪控制实车试验验证。基于“江大智能行Ⅱ号”智能驾驶平台,在ROS系统中部署了本文提出的轨迹跟踪控制方法,进行实际行驶道路环境中的性能对比试验。试验结果表明,所提出的方法可以有效改善智能汽车轨迹跟踪控制效果,在抑制控制抖动、减少控制超调的同时,实现控制量的准确平滑输出,从而形成较高的横向控制精度、行驶稳定性和良好的横纵向协同控制效果。