随着中国汽车产业的发展,逐年增高的汽车保有量加重了尾气污染问题与交通拥堵现象,上述问题已经严重威胁了人们的健康和生活质量。无人驾驶智能车拥有避免交通事故的能力,可以改善交通行车环境,因此无人驾驶技术成为了当今社会研究的热点。智能车的无人驾驶系统包括环境感知、导航定位、决策规划、运动控制这四大类重要技术。本文针对决策规划中的速度规划与运动控制中整车横纵向控制算法方面进行了比较深入的研究,具体工作为以下四个部分:首先,针对不方便利用跟车模型来实现速度规划的行驶环境,提出了一种基于模糊算法的带约束方波状车速规划方法。该方法以模糊算法为基础,将前方道路曲率、车辆当前的横向跟踪误差、路面的摩擦系数当作影响车速规划结果的关键因素,解决了常规速度规划方法难以类人化思考的问题;为了使任何速度控制器都能够在稳定跟踪速度曲线的前提下带来更好的乘车体验,给出了考虑车辆动力学约束的重规划方法。其次,为了提升智能车速度跟踪的精度,给出了基于模型预测控制的纵向速度跟踪控制器的设计方法,配合上层模型预测控制器,给出了油门/刹车切换逻辑并推导了车辆速度控制的下层驱/制动模型及对应的逆纵向动力学模型。搭建了CarSim和Matlab/Simulink联合仿真平台,通过仿真实验,被控车辆能够稳定而快速的跟踪不同的参考曲线,在比较理想的速度曲线跟踪实验中,油门与刹车的控制量变化十分平缓,展现了优异的性能。然后,出于解决非线性系统建模困难、不精确的目的,介绍了基于无模型自适应预测控制的无人驾驶汽车路径跟踪方法。本文给出的方法包含适用于MFAPC的预瞄航向跟踪策略、MFAPC控制器的设计方法与针对无人驾驶智能车工作环境的算法参数重置机制。通过CarSim-Simulink仿真实现了对参考轨迹的跟踪实验,结果显示本文方法对车辆行驶速度与地面摩擦系数均有较强的鲁棒性,并在与MPC方法的对比中,展现了更好的综合性能。最后,为验证本文方法的有效性,在不同的参考路径、参考速度下,进行了两组共计六次实车实验,实验结果证明了本文提出的方法能够完成路径、速度跟踪的控制目标。