目前,智能车作为智能交通系统的重要组成部分,在车辆、交通、军事等领域均得到了迅速的发展,被认为是降低交通事故率、提高交通运输效率的有效手段。本文以视觉导航式智能车为对象,对其动力学建模、路径跟踪控制及交互仿真等核心技术开展重点研究。在动力学建模方面,本文分别采用两种方式建立车辆的动力学模型。首先,对车辆模型进行一系列的简化,建立起三自由度的车辆动力学数学模型,并同时建立车辆的横向控制模型。其次,为了在更加真实的环境中验证本文所提出方法的有效性,本文采用多体动力学仿真软件再次建立车辆的动力学模型,同时建立三维地形模型。最后构建整个仿真环境。在该环境下能够与车辆进行实时交互并能够调整车辆的各种动力学参数,提高了整个仿真过程的开放性以及扩展性。在路径跟踪控制方面,考虑到模糊控制和神经网络的各自特点,本文将二者进行结合,充分发挥模糊控制的逻辑推理能力以及神经网络的自学习和自调整能力。基于模糊神经网络,本文建立了智能车横向控制系统,该系统包括智能车模型,图像处理模块,偏差融合模块以及模糊神经网络横向控制器。其中图像处理模块主要是获得智能车横向偏差和方位偏差。偏差融合主要是考虑到输入维数对横向控制器的影响,最终将融合后形成的综合偏差及其变化率作为横向控制器的输入。在模糊神经网络横向控制器建立方面,首先,根据实验数据采用模糊C-均值聚类方法确定网络的初始结构参数并进行输入空间的划分,同时对网络各层的功能进行阐述,并确定网络中所采用的隶属函数。其次,采用误差反向传播算法对整个网络中的参数进行调整,最终使模糊神经网络的隶属函数以及控制规则得到优化。在仿真实验方面,本文分别进行两组仿真实验,分别对应于车辆动力学数学模型和车辆的多体动力学模型。在第一组仿真实验中,分别建立直线路径工况以及多曲率复杂路径工况,来验证本文提出的控制方法对路径跟踪的控制效果。仿真结果表明该控制方法具有良好的时效性、平顺性以及鲁棒性。该方法在调节时间以及超调量的调控方面要优于纯模糊控制方法。在第二组仿真实验中,本文建立了直线路径工况以及圆弧路径工况,同时建立高低起伏的三维地形环境。与第一组仿真实验相比,本次仿真具有高度逼真的仿真环境,在仿真中车辆能够与路面环境产生真实的交互作用。仿真结果表明该控制方法在复杂环境下同样具有良好的控制效果。