智能驾驶汽车可以在一定程度上减少交通事故、提高车辆的安全性、缓解交通拥堵、减轻驾驶疲劳、降低燃料消耗,给人们日常汽车的使用带来便利,近些年来受到了各大汽车厂商和相关研究机构的广泛关注,汽车的智能化、网联化和电动化是未来汽车工业发展的方向,智能驾驶汽车有着广阔的前景。实现智能汽车无人驾驶的关键技术主要包括环境感知、决策规划和控制执行三部分,而轨迹规划在实现车辆无人驾驶方面起着十分重要的作用。除了安全性方面的考虑外,可接受度也是无人驾驶汽车推广的重要影响因素。能够反映人类驾驶员驾驶习惯、符合驾驶员驾驶直觉的轨迹,能够让车辆更加平滑、顺畅地过弯,可以减轻驾驶员的紧张感,从而提高无人驾驶车辆的乘坐舒适性,有利于提高无人驾驶汽车未来在市场的可接受度。本文基于MUEAVI（Multi User Environment Autonomous Vehicles Innovation）测试场进行了能反映人类驾驶习惯特点的轨迹规划及跟踪控制的研究。首先,处理了MUEAVI测试场数据,完成了坐标系转换,并对人类驾驶员在测试场的测试轨迹数据进行提取和处理。对在测试场采集的车道线原始GPS数据进行处理,得到测试场的当地笛卡尔坐标。随后对测试场完成了从笛卡尔坐标系向Frenet坐标系的坐标转换,以便在测试场进行轨迹规划和轨迹跟踪研究。在测试场采集了人类驾驶员连续驾驶的轨迹数据,经过数据处理,提取了驾驶员的单圈轨迹数据,以及在一段直道路段和三段弯道路段的驾驶员测试轨迹数据。其次,基于测试场完成了在三个弯道处的拟人化轨迹规划。建立了简化的质点车辆运动学模型,并完成了在Frenet坐标系中的坐标转换,得到以s为自变量的车辆运动学模型。分别在弯道路段C1,弯道路段C2、C3设计相应的目标函数和约束标条件,构建最优控制问题,并采用求解器GPOPS-II进行求解,分别规划出了弯道路段C1,弯道路段C2、C3的局部拟人化最优轨迹,并对规划轨迹完成了向笛卡尔坐标系的坐标转换。再次,推导了车道穿越时间TLC的模型,对比研究了规划的拟人化最优轨迹与人类驾驶员测试轨迹。推导了直道路段车道穿越、弯道路段直线穿越以及弯道路段内侧穿越和外侧穿越时间TLC的计算。通过对比研究驾驶员测试轨迹与规划的拟人化最优轨迹在弯道路段C1、C2和C3处不同的车道穿越TLC曲线,验证了驾驶员测试轨迹与规划的拟人化最优轨迹的一致性。规划生成的拟人化最优轨迹在很大程度上反映了与驾驶员驾驶车辆在弯道中行驶的轨迹相似的趋势,反映了人们在弯道路段中驾驶车辆行驶的特点。从次,设计了基于LQR的轨迹跟踪控制算法,搭建了Carsim/Simulink联合仿真平台,对在弯道路段C2/C3规划的拟人化轨迹和车道中心线轨迹进行轨迹跟踪,轨迹跟踪误差控制在0.15m,控制效果良好,对比了跟踪时车辆的状态,验证规划的拟人化最优轨迹的优越性。沿着规划轨迹行驶的车辆能够更加平顺、流畅地过弯,舒适性更好,更加符合人们日常的驾驶习惯。最后,搭建基于VCU的Hi L测试平台,包括NI实时仿真机、D2P控制器、上位机、机柜等,完成轨迹跟踪控制的Hi L测试试验,验证了所设计的轨迹跟踪控制算法在真实控制器中的有效性和可行性。