智能驾驶车辆作为智能交通系统中重要的一部分,可以缓解传统车辆在环境、安全、交通等方面的产生的问题。而泊车场景作为智能驾驶发展道路上L4级技术的应用场景,在改善用户“最后一公里”驾驶体验方面具有巨大潜力。智能车辆路径规划是智能驾驶汽车完成自动驾驶行为的必要保证;而智能车辆开发中另一个重要环节就是横向控制或自动转向控制。本文依托国家重点研发计划项目“新型多功能智能车载终端研制及应用（2018YFB1600701）”针对泊车场景中的智能车辆,对其路径规划算法与横向跟踪控制进行研究,提出了能适用于现实停车场,满足车辆行驶需求的泊车路径规划算法,并使车辆稳定跟踪已规划路径。本文主要研究内容如下:（1）智能车辆系统结构、环境模型与车辆模型的建立。建立满足车辆泊车需求的智能车辆系统结构,将其划分为硬件感知系统和软件决策系统。将车辆真实停车场地图,通过硬件系统结构转化为概率值栅格地图。为了向智能车辆软件系统提供准确的地图模型,进一步将概率值栅格地图的概率信息进行决策分析,将概率值栅格地图转化为二进制栅格地图。最后为了分析智能车辆在泊车环境中的动力学与运动学情况,建立车辆坐标系、车辆动力学模型、车辆转向操纵模型与预瞄跟踪模型,为本文泊车路径规划与跟踪控制的研究奠定基础。（2）基于最优快速搜索随机树算法（Optimal Rapidly-exploring Random Tree,RRT*）的泊车路径规划研究。首先,将二进制栅格地图进行行车预处理与膨胀预处理,划分车辆泊车可行区域。将三圆近似模型作为车辆泊车路径规划中的碰撞检测模型,确保行车安全性。采用带目标偏向的RRT*算法使规划器在行车配置空间中搜索出完整路径。使用Dubins曲线和Reeds-Shepp曲线连接RRT*算法中搜索树节点,形成车辆可行路径。最后针对以曲线连接后,规划路径中二阶导不连续的问题,采用三次样条曲线进一步平滑所规划路径,形成满足车辆乘坐舒适性的规划路径。（3）基于强化学习中策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的跟踪控制研究。针对智能车辆在轨迹跟踪过程中的横向控制问题,提出了一种基于强化学习DDPG算法的智能车辆轨迹跟踪控制方法。首先,将智能车辆的跟踪控制描述为一个基于马尔可夫决策过程（Markov Decision Process,MDP）的强化学习过程,强化学习的主体是由Actor神经网络和Critic神经网络构成的Actor-Critic框架;强化学习的环境包括车辆模型、跟踪模型、道路模型和回报函数。其次,所提出方法的学习主体以DDPG方法更新,其中采用回忆缓冲区解决样本相关性的问题,复制结构相同的神经网络解决更新发散问题。（4）智能车辆泊车路径规划与跟踪控制仿真验证实验。在仿真实验验证时,分别搭建智能车辆泊车场景与跟踪控制场景。在路径规划仿真实验中,当车辆泊车运动不需要倒车行为时用Dubins曲线连接RRT*算法所搜索的节点;当车辆泊车运动需要倒车行为时用Reeds-Shepp曲线连接。在车辆跟踪控制中,将本文所提出的基于DDPG的跟踪控制器与深度Q学习方法（Deep Q-Learning,DQN）和模型预测控制（Model Predictive Control,MPC）方法在不同场景中进行比较,并且验证本文所提出跟踪控制方法的速度适应性与曲率适应性。