随着社会发展及科技进步,人们希望车辆不仅仅是一个基本的代步工具,更希望其向更加智能化的方向发展,以满足人们对其舒适性、易操作性的需求,这在一定程度上推动了高级驾驶辅助系统以及无人驾驶汽车的发展。无人驾驶汽车的主要研究内容包括环境感知、定位导航、路径规划、运动控制、一体化设计等多个方面。本文的研究内容涉及车道线检测及车道保持控制两个方面,研究目的在于使车辆可以更加安全准确的沿着车道中心线行驶。在车道线检测方面,对比分析了几种经典的语义分割网络,从车道线检测的具体需求出发,选用轻量化网络ENet作为车道线分割的基础网络。为了提高ENet网络对图像空间上下文信息的提取能力,提高其在复杂道路环境下的鲁棒性,本文结合Spatial CNN网络结构,对ENet网络进行了改进。在得到车道线分割结果后,利用逆透视变换将其转换到鸟瞰图,随后采用最小二乘法进行车道线拟合。最后将改进前后的ENet网络模型在Tu Simple数据集中进行了对比,测试结果表明改进后的模型的车道线分割精度明显提高,同时本文还将改进的ENet卷积神经网络模型与传统阈值分割的方法进行了对比,结果表明卷积神经网络车道线检测算法能适应复杂环境下的检测任务,鲁棒性更好。在车道保持控制方面,首先基于车辆-轮胎模型建立了非线性3自由度车辆动力学模型作为控制器的被控对象;基于模型预测控制理论开发了车道保持控制器,为提高控制器的实时性,对车辆模型做了线性化及离散化处理,添加了相应的约束条件,构建合适的目标函数后将目标函数转化为准二次规划问题完成控制器的设计。最后搭建Carsim和Simulink联合仿真环境来验证控制器的路径跟随性能,同时,将设计的MPC控制器与预瞄-跟随最优控制器在不同工况下进行了控制效果的对比。对比结果表明了本文控制器具有更好的控制效果,更好的路径跟踪性能。为提高控制器的鲁棒性,在原MPC控制器的基础上进行了改进,针对常见的速度区间进行了参数匹配,并将控制器参数选择模块集成至车道保持控制器中,完成了参数自适应MPC控制器的设计。仿真结果表明,使用参数自适应的车道保持控制器在车速变化时具有更好的跟随精度和行驶稳定性。