目前汽车行业的发展重心正逐步由传统车辆向智能车辆转移,随之带来的是智能驾驶技术的迅速发展。自动泊车系统是智能驾驶技术的研究方向之一,通过在泊车过程中给予驾驶引导或者完全代替驾驶员进行泊车操作,有效地提升了泊车成功率,降低了交通事故发生几率。同时,由于停车位狭小、停车不规范,驾驶员常常面临泊车困难的局面。因此,自动泊车系统成为了当下各大车企与高校的研究热点。首先,本文对自动泊车系统的研究现状进行分析与总结,选择自动泊车系统中的泊车控制策略作为本文的研究重点,总结了现有的自动泊车控制策略以及存在的问题。基于高斯坐标系以及传统的车辆坐标系构建泊车坐标系。以车辆的运动学原理为基础,对汽车参数与停车位参数进行简化。基于阿克曼转向原理建立汽车的运动学模型,以平行、垂直泊车为泊车场景,对运动学模型进行运动分析。以车辆的极限转弯特性为切入点,研究了汽车进行泊车所需的最小停车位尺寸。其次,对人工智能领域的深度强化学习算法进行了研究。DDPG(Deep Deterministic Policy Gradient)算法是深度强化学习算法之一,具有一定学习能力与泛化性能,本文将其应用于自动泊车控制策略,实现端对端的车辆泊车控制。以Tensorflow为框架来构建DDPG算法模型,以车辆状态为状态信息,车辆控制指令为动作信息,通过车辆的状态信息来输出动作信息,控制车辆完成泊车。以采样策略与奖励函数为研究重点,基于经验回放方法与数据结构提出了一种高效的采样策略,并且基于预瞄模型与库仑定律设计了一种基于轨迹学习的奖励函数,从而完成DDPG算法的改进,提升了DDPG算法的训练效率与训练效果。最后,本文使用CarSim车辆动力学仿真软件来搭建仿真和算法训练平台,通过与Python联合仿真的方式来实现车辆动力学模型与DDPG算法模型进行模型训练,从而验证了基于DDPG算法的控制策略的有效性。设计多组泊车泛化性试验,在试验中调整泊车起始位置与停车位尺寸,从而进行泊车试验,验证和分析算法的泛化性。将CarSim中的车辆接口硬件化,硬件在环平台采用Lab VIEW编写转向程序,通过CAN通讯来完成对执行机构的控制,以此来控制Python与CarSim的数据交换,通过硬件在环平台进行试验。试验结果表明,车辆均可完成泊车,方向盘转动平稳,验证了本文所设计的自动泊车控制策略的功能性和有效性。