无人驾驶汽车是多传感器感知技术、计算机科学、智能控制、高速通信网络以及高性能处理设备深度融合的产物,是人工智能技术落地的主要载体之一,必将对汽车行业、交通运输和整个社会效益带来重大的影响。所以研究无人驾驶汽车的关键技术势在必行。本文研究了无人驾驶汽车的全局路径规划、局部路径规划和车辆底层控制等问题。主要工作如下:首先,提出一种在交通网络拓扑图上基于人工萤火虫算法的无人驾驶汽车全局路径规划方法。该方法根据实际的道路交通分布,绘制出一张交通网络拓扑图,再在交通网络拓扑图上生成多条可行路径。然后根据人工萤火虫算法生成多条次优路径,接着通过调优切换算法生成当前交通环境下的最优路径。如果此前生成的全局路径因为意外事件造成不可通行时,则调用快速二次寻优算法,利用以前的搜索结果实现当前交通状况下全局路径的快速二次规划。其次,将模型预测控制应用到无人驾驶汽车局部路径规划中。在考虑周围环境的实时变化和车辆自身约束条件的情况下,实现了车道线的四次多项式拟合、曲率求解和凹凸性判别,完成了直道保持、弯道减速、换道超车、跟驰行驶和主车道避障等操作。另外,本文还设计了多圆近似车辆及障碍物的具体流程,方便了主车与周围车辆及障碍物之间最短距离的计算。接着,设计了一种前馈控制与模型预测控制柔性结合的控制方案。前馈控制根据前方路径在各个对应的参考点的航向角变化,得到控制周期内对应预测时域的控制量。在模型预测控制优化求解过程中,采用粒子群算法进行优化求解。将前馈控制得到的对应预测时域的控制量,作为粒子群算法在每个预测时域的基本参考点。然后以此参考点为原点,选择一个合适的半径,重新划定一个优化求解域,粒子群算法在这个新的区域内进行优化求解。由于搜索的范围减小,使得粒子数目和最大迭代次数都相应地减少,从而在保证控制精度的前提下,大大缩短了一次优化求解的时间。最后,为了更准确快速地对带有约束的模型预测控制进行优化求解,采用广义拉格朗日乘子法构造广义代价函数,将约束问题转化为无约束问题。另外,我们还采用拥有更强全局搜索能力的量子粒子群算法,并对量子粒子群算法进行并行设计,从而实现高效准确的优化求解。