在车辆向电子化、网联化以及智能化方向不断发展的大背景之下,智能车作为一种能够自主驾驶的车辆已成为了大学、企业及科研机构重点关注的领域。随着国内智能驾驶产业化的落地与试运营,政府对智能车的安全性与稳定性的也提出了越来越严格的要求。路径跟踪技术作为智能车系统中的关键技术,是保障其安全稳定行驶的基础和前提。研发高性能的路径跟踪技术已经成为了智能驾驶产业持续发展的必然要求。随着计算机技术的发展,模型预测控制算法凭借其在处理多变量约束问题上的优势逐渐成为了智能车路径跟踪技术领域研究的重要方向。为了满足智能车对算法高实时性的要求,现有的研究大多通过牺牲模型的精度来构建出实时性较强的线性MPC(Model Predictive Control)路径跟踪器,而模型精度更高的非线性MPC算法在路径跟踪方面的应用探索还相对空白。在系统研究与应用由线性向非线性发展的大趋势下,本文提出一种非线性MPC路径跟踪的应用方法,相比于线性MPC控制,该方法在提高高速工况路径跟踪稳定性以及精度的同时,能够适应各种行驶工况,满足路径跟踪对算法高实时性的要求。本文首先基于智能驾驶平台GE3提出解耦式控制层的架构设计,该架构具有移植性和扩展性强的特点。然后对架构中的横向控制模块进行了更深入的算法框架设计,提出了以车辆状态预测服务器为基础,以偏差解算器、数据驱动器和MPC求解器为核心的横向控制模块算法框架。为了提高算法的实时性,采用了二阶龙格库塔法对推导的非线性预测模型进行直接离散化,求解出模型预测所需的车辆状态矩阵,进而联合构建的安全约束条件与目标泛函建立路径跟踪的非线性规划问题,最后通过SQP(Sequence Quadratic Program)算法对问题进行求解计算。此外,为了减少算法的计算量,本文还提出了一种基于规划跟踪一体化设计的横向偏差求解方法,并通过算例以及实车测试验证了该方法的优越性。为了分析算法参数对于路径跟踪效果的影响,搭建基于Simulink的算法仿真平台。通过仿真结果分别分析了预测时域、车速以及权重参数值对算法跟踪性能的影响,确立了优化权重参数是提高跟踪器性能的关键。最后通过嵌入Simulink的遗传算法优化出不同速度下的权重参数值,对比分析未优化参数的算法跟踪性能验证了参数优化结果的有效性。为了进一步验证算法的性能,搭建基于Prescan与ROS(Robot Operating System)的硬件在环仿真平台,通过编写C++算法节点程序,测试了算法在10-90km/h下路径跟踪的性能,验证了NMPC(Nonlinear Model Predictive Control)控制算法的有效性。同时,为了进一步验证算法在真实环境下对车辆的控制效果,本文基于改装的智能车平台进行了实车试验,分别对算法在单移线工况、避让事故车辆工况与大曲率道路工况下路径跟踪的效果进行测试。实车试验结果表明,算法能够适应各种行驶工况,且在高达75km/h的速度下,其跟踪精度、稳定性以及实时性都能满足实际应用的需求。