随着汽车行业的飞速发展,智能车辆的发展是当今汽车行业的必然趋势。智能车的关键部分主要有环境感知、路径规划、路径跟踪等。而且,人们对交通安全问题的重视程度越来越高,这也提高了学者对于智能车辆技术研究的热度。目前的智能驾驶技术主要依靠GPS和惯性导航系统来进行定位。单独GPS工作时,尽管其精度很高,但是其抗干扰能力弱。然而,虽然惯性导航系统抗干扰能力强,但是其较低的精度使其在车辆定位时具有一定的局限性。为了解决环境噪声带来的非高斯噪声影响,本文提出了一种基于迭代卡尔曼辅助粒子滤波算法(即APF-IKF)信息融合的导航定位方法,APF-IKF算法通过引入最新观测结果来优化分布函数,解决了粒子衰减和粒子简并性的问题,有效消除了非高斯噪声的影响,提高了INS误差的估计精度,从而提高了组合导航系统的定位精度本文搭建了组合导航误差模型,引入APF-IKF算法,通过当前时刻k的误差值,由估计值和量测值估计k+1时刻的最优误差值,将最优误差补偿给惯导解算得到的速度和位置信息等,通过该方法可以将量测值中的外部干扰和模型误差等有效的利用起来。在MATLAB/Simulink中搭建组合导航模型,试验部分,以差分GPS作为基准,将单天线GPS、单独INS、以及不同算法下的导航结果作对比,验证算法的有效性和优越性。本文参考汽车在道路上正常行驶时的实际车辆状态,建立了相关的车辆二自由度模型、轮胎模型和双移线道路模型。本文首先对汽车进行动力学建模,通过学习和分析模型预测算法中的预测和优化部分,从而基于该算法设计了智能车辆的路径跟踪控制器,并且在MATLAB/Simulink中搭建了控制器模型。设定路径跟踪过程中车辆速度保持不变。通过搭建CarSim-Simulink联合仿真,分析了低速(20km/h)和中高速(70km/h)时控制器的仿真效果。并且与工业常用的PID算法进行对比,以验证控制器的控制效果。最后,为了进一步验证本文设计的控制器的实际控制效果,本文以智能车辆为研究平台,选取山东省聊城市某路段为试验场地。将仿真验证过的由Simulink建立的MPC下载到dSPACE控制器进行了实车验证,验证了控制器的性能。