在小区、施工导流路段、等狭窄区域中,很难保证大中型车辆安全的驾驶。针对这类情况,本文改进了RRT算法,提高了路径规划的快速性和成功率,提出了一种基于车辆最优状态点的路径跟踪横向控制方法,并通过搭建的仿真平台验证了狭窄区域路径规划与车辆控制方法。本文首先分析了小区、施工导流路段等狭窄区域的特点,这些场景障碍物密集、可行区域空间狭小,因而路径规划效率偏低,甚至容易规划失败。针对这种情况,基于采样的路径规划算法,本文采用最长枝叶扩展和目标导引策略,即利用叶节点距起点的树枝长度和该叶节点距目标点的欧式距离构造度量函数进行扩展,并且依据车辆转向模型添加了车辆运动学约束。最后在典型狭窄空间将本文方法与传统RRT算法进行了对比。结果表明,本文方法有效减少了搜索次数,提高了路径规划的效率和成功率。接下来针对狭窄区域空间狭窄、局部曲率较大的特点,本文研究了整个车体的控制问题,提出了车辆最优状态点和最优参考状态的概念。为了求解最优状态点,本文构造了车辆参考状态所对应的整体偏差这一目标函数,基于车辆运动学模型,依据最优状态点处车辆与参考轨迹的偏差设计了横向控制器,接着采用李雅普诺夫法证明了该控制系统的稳定性。与车体特定位置的横向偏差相比,整体偏差更为显著的反映了整个车体的跟踪性能。最后采集了一段城区道路场景的GPS数据,通过仿真实验验证了该方法能够有效提高车辆的整体跟踪精度,因而可以保证车辆安全裕度较大的通过狭窄区域。最后,本文基于车辆9自由度动力学(9DoF)模型搭建了无人车仿真平台,该平台由路径规划模块、车辆控制模块以及车辆模型模块组成。在该仿真平台上设置狭窄区域地图,通过实现改进RRT算法,对比几种常用的车辆控制算法,证明了本文方法具有更高的整体跟踪精度。在真实狭窄区域场景中,本文验证了RRT算法的快速性以及车辆控制算法的整体跟踪精度,使得车辆安全的通过了该狭窄区域。