当今信息科技的高速发展,自动驾驶成为了车辆研究领域的热点。本文主要针对自动驾驶车辆中局部路径规划与路径跟踪展开深入研究,将以Keras神经网络模型为代表的深度学习方法用于自动驾驶车辆的决策规划与跟踪控制等领域中,提高了车辆应对不同场景的决策规划能力与自适应跟踪能力。随着无人驾驶技术的发展,未来会出现有人车与无人车处于同一交通场景下的情况。由于不同驾驶员的驾驶风格不同,无人车进行决策规划时就需要针对道路上有人车的不同驾驶员特性做出不同的决策。在这种假设下,首先开展了考虑驾驶员特性的局部路径规划研究。设计了驾驶员特性辨识实验,通过合理选配实验人员,利用Matlab、Prescan以及Logitech G29搭建半物理仿真实验平台,采集不同驾驶员的实验数据。随后利用K-means聚类分析对实验数据进行分类,并导入Keras神经网络模型中学习。实验结果表明,训练后的预测损失概率与预测精度概率都达到了辨识要求,可以进行驾驶员特性辨识。然后提出一种改进人工势场法用于无人车局部路径规划。将驾驶员特性辨识与人工势场法结合,针对不同的驾驶员特性,为无人车的障碍物势场函数赋予不同的增益系数,实现对不同驾驶员驾驶的有人车做出不同的局部路径规划。接着设计了一种基于Keras神经网络模型的路面附着系数估计器。通过整车动力学模型分析,找出与路面附着系数相关量作为模型的输入量;采用仿真试验获取不同工况下的车辆转向数据。随后结合滤波算法、K折验证与Dropout正则化提高模型的泛化能力;并结合强化学习,防止神经网络模型的预测值超出路面附着系数的界定范围。蛇形工况仿真试验表明估计器对不同附着条件和车速有较好的适应性。最后结合模型预测控制与模糊PID控制,提出一种考虑侧倾控制的自适应路径跟踪算法。基于模型预测控制理论,完成车辆路径跟踪控制;基于模糊PID控制车辆在路径跟踪过程中的侧向载荷转移率。双移线仿真试验表明所提出的控制器可以使车辆有效地跟踪目标路径,并且保证了车辆的侧倾稳定性。