随着社会不断进步和科技高速发展,与智能车相关的研究受到科研机构、企业和高校的密切关注,其涉及多学科知识的交叉融合,各方不断加大研发的投入力度。无人驾驶作为智能车发展的高级目标,目前已取得阶段性的突破。基于ROS平台,本文以低速环境下的无人驾驶方程式赛车作为研究对象,结合实际赛道场景针对环境感知和跟踪控制技术展开深入研究。在环境感知方面,采用32线激光雷达和摄像头来感知赛道两侧的交通锥桶。首先采用基于视觉的目标检测算法实现对交通锥桶目标的检测,目的在于以尽可能高的检测帧率下保证识别类别的正确性和定位框的准确性,对比分析基于人工设计特征的目标检测算法和基于深度卷积网络的目标检测算法,分别针对基于区域的Faster R-CNN算法和基于回归的SSD算法进行改进,从而确定最优检测方案能够在现有平台上满足检测需求;接着在完成激光雷达和摄像头标定的基础上,提出基于图像上检测框内交通锥桶目标的数据融合方法,将激光雷达提供的点云数据与图像像素信息进行融合,确定交通锥桶目标在三维空间中的位置,为后续规划路径提供依据。组合惯导能够实现厘米级高精度定位,将经纬度信息通过坐标转换至二维车辆全局坐标系下来获取无人车的位姿信息。在跟踪控制方面,选取在路径跟踪控制技术领域广泛采用的“预瞄-跟随”理论展开研究。在预设期望路径参考点的前提下,建立车辆-路径误差模型描述相对位置关系,设计算法根据预瞄距离和路径参考点求取合适的路径跟踪目标点,在控制策略方面采用反馈闭环的结构,针对传统纯追踪算法固定预瞄距离的方式进行改进,使其预瞄距离能够自适应调整;对控制速度进行滤波处理,保证速度和转角的平稳变化,提高对路径跟踪的准确性和鲁棒性。最后,分别进行模块化独立实验与仿真分析。在交通锥桶目标检测上,改进SSD模型与改进Faster R-CNN模型相比较具有更好的检测效果,帧率达到25FPS左右,对于模拟赛道场景下的小目标交通锥桶更加敏感;传感器数据标定与融合后,能够定位交通锥桶在三维空间中的位置;改进的纯追踪控制算法在中低期望控制速度下横向偏差平均减小58%左右,提高对路径跟踪控制的效果。为此后研究无人驾驶方程式赛车提供一定的参考。