转向控制系统是体现智能车智能行为的基础,也是智能车研究领域的热点和难点。伴随着智能控制理论的发展,越来越多的智能控制方法应用于智能车的转向控制系统中,这使得如何根据不同工况和道路环境选择合适的智能控制方法成为一门新课题。基于经典PID控制、模糊控制、最优控制和自适应控制、滑模控制以及预测控制的转向控制方法具有原理简单、易于实现、适应性强等优点,在转向系统控制领域应用较为广泛。PID控制方案虽简单易行,但缺乏对复杂工况的适应性,鲁棒性差,难以实现精确控制;最优控制的控制对象一般为线性时不变系统,在控制模型精确且无干扰的情况下,控制精度比较高,但对外部干扰的鲁棒性较差,容易降低转向系统的稳定性;模糊控制的隶属度参数和控制规则参数主要依靠专家经验法和试探法来确定,主观性较强,且易产生稳态误差。这些控制算法一个共同点是只要轮胎进入非线性区控制精度就会大大下降,系统的稳定性也难以保证。本文将免疫算法引入到智能车转向控制系统中,从转向系统易受外部干扰和摄动、系统快速性与稳态误差间的矛盾两个方面入手,研究了免疫算法算子及其收敛性能,针对免疫算法易陷入局部最优和群体多样性保持能力不足的缺陷,对免疫算法的亲和力算子进行了改进,利用极限理论与状态转移概率对免疫算法的收敛性进行了证明,并给出了收敛速度的计算表达式。仿真结果表明,改进后的免疫算法有能力搜索到全局极值点。建立了车辆动力学模型。针对转向系统易受外部干扰和摄动,提出了基于免疫算法的智能车滑模变结构自动转向控制算法。对离线状态下的典型样本,运用免疫算法优化了变结构控制律中的参数q、?,实现了智能车的最优控制。较好地解决了常规变结构控制方法中事先设定趋近律参数的约束,在保留传统趋近律的优势下,既有效地抑制系统的抖振,又改善了系统的控制品质。针对系统快速性与稳态误差间的矛盾提出了用BP网络来逼近T、B细胞的非线性特性的免疫反馈控制IFC(Immune Feedback Control)方法,采用ITAE性能指标对免疫参数K、η进行了整定。构建了三层BP网络对T、B细胞非线性特性进行逼近效果,将该方法与模糊调节器、径向对称的非线性函数两种方法的逼近效果进行了对比分析。避障轨迹的合理规划是避障策略实施的关键所在,在深入研究两段圆弧和余弦函数避障轨迹的基础上,提出一种改进的正弦函数避障轨迹模型。通过理论分析,实验验证了该模型的可行性。针对有障碍物的情况提出了带避障功能的双层免疫反馈控制方法,带避障功能的轨迹规划模块将规划的局部参考轨迹输入到基于IFC的轨迹跟踪控制模块,轨迹跟踪控制模块接收来自规划模块的参考信息,输出前轮偏角控制量。采用带避障功能的双层免疫反馈控制器对智能车的转向及加减速进行控制。最后,从几种不同的工况对轨迹跟踪和避障两个方面进行了仿真实验。运用Carsim和Matlab/Simulink软件,搭建了智能车自动转向联合仿真平台,通过典型工况的仿真验证了所设计转向控制算法的性能。开发了智能车实车(车模选用实际车辆的1:8模型)平台,该实验实现了智能车标识线的跟踪和障碍物的避让。