随着社会的不断发展,人们对人工智能技术的需求越来越大。无人驾驶技术是人工智能技术的一个重要分支,因其可以提高人们的出行效率并将人们从复杂的驾驶行为中解放出来,在近几年得到了非常广泛的研究与应用。路径追踪技术是无人驾驶技术的一个重要组成部分,其主要任务是智能地对汽车进行控制,使其可以依据预先规划好的路线进行精确的追踪。Stanley算法是无人驾驶路径追踪算法领域中的一种经典算法,它有着计算复杂度低,追踪效果好等优点。然而现有的Stanley算法的追踪精准性受限于增益参数,如果增益参数过大会导致横向误差收敛过快,转向角幅度过大,让车辆稳定性减小,降低乘客的乘车体验。如果增益参数过小会导致预瞄点距离车辆过近,让车辆收敛速度变慢,追踪精度减小,追踪误差加大。此外传统的Stanley算法并不能满足车辆实时性追踪的要求。针对上述问题,本文提出了使用改进的鲸鱼优化算法（Adaptive Weight Differential Whale Optimization Algorithm,AWDWOA）来优化增益参数的全新Stanley算法（Optimization K Stanley Algorithm,OKSA）,创新点如下:（1）为了减少Stanley算法路径追踪的误差并提高Stanley算法路径追踪的稳定性,本文使用鲸鱼优化算法来优化Stanley算法的增益参数,并构造适应度函数来寻找最合适的增益参数。其中适应度函数包括横向误差,纵向误差,车辆转向角和车辆速度四个物理量。（2）为了满足车辆在指定时间内到达指定目的地的实时性追踪要求,本文在Stanley算法中引入了一种全新的速度控制器。它的原理是根据当前无人车位置与目标预瞄点位置的实际距离和时间间距,来确定无人车下一阶段所需要的车速,从而满足Stanley算法路径追踪的实时性需求。（3）为了提高鲸鱼优化算法优化增益参数时的局部寻优能力,本文构造了一种自适应权重机制。该机制被用于改变最优秀鲸鱼的位置,提升了鲸鱼优化算法的收敛精度。（4）为了提高鲸鱼优化算法优化增益参数时的全局寻优能力,本文将一种全新变异策略的差分进化算法融合到鲸鱼优化算法之中。该变异策略改进了差分进化算法的变异因子,避免鲸鱼优化算法过早陷入局部最优。为了验证算法性能,首先本文将改进的鲸鱼优化算法（AWDWOA）,其他4种启发式优化算法和1种已经改进的鲸鱼优化算法在12个基准函数上进行了对比,证明了AWDWOA算法的优化性能高于其他优化算法。其次本文将改进后的Stanley算法（OKSA）和传统Stanley算法在直线路径,抛物线路径,正弦路径和换道路径这四种不同的路径上进行了对比,证明了OKSA算法在路径追踪的精准性,稳定性和实时性上都有了显著的提高。