自动驾驶技术给汽车产业以及相关技术的发展带来了新的契机,各种辅助驾驶甚至是自动驾驶功能已经配备在大量汽车产品上。随着产业的发展,实现更高水平的自动驾驶仍然面临诸多挑战。作为自动驾驶系统的“大脑”和“手脚”,规划和控制模块在自动驾驶的安全性、舒适性中发挥着重要作用。从20世纪70年代模型预测控制算法（Model Predictive Control,MPC）被提出以来,其在许多领域得到了广泛应用。该类方法利用受控系统的模型,按照模型预测、反馈校正、滚动优化的步骤完成自动化控制,给实现自动驾驶的规划和控制功能带来了新的思路。鉴于此,本文以MPC算法研究为基础,围绕自动驾驶中轨迹规划和控制课题,开展研究并取得以下成果:·针对MPC中预测模型与受控系统存在失配的问题,提出了一种基于主模型加残差模型的模型预测控制（Main and Residual Model-based MPC,M＆R-MPC）算法。该算法通过收集和学习所使用主模型和受控系统之间的偏差以构成残差模型,有效提高了控制性能。给出了算法的稳定性分析,并分别给出了主模型为状态空间模型和传递函数模型时的优化问题形式。·针对车辆横摆稳定性控制（Yaw Stability Control,YSC）中所使用模型与车辆实际动态在高速、转弯等场景下存在较大偏差的问题,提出了一种基于双层学习MPC的YSC算法。在双层控制框架下,上级控制器采用了M＆R-MPC算法,并使用高斯过程回归（Gaussian Process Regression,GPR）作为残差模型,在侧偏角约束的处理上,将概率约束转换为确定性约束,此外还设计了下级控制器优化问题的权重分配规则,两者结合有效提高了控制器整体性能。·针对泊车轨迹规划中潜在的发生碰撞风险,提出了一种保证无碰撞的泊车轨迹规划算法。该研究从几何关系的角度,提出了车辆和障碍物避免碰撞约束条件。在离散化有约束的最优化控制问题时,加入了相邻状态间避免碰撞约束。此外,为实现轨迹规划和跟踪控制一体化,提出了一种基于缩减时域MPC的泊车轨迹跟踪控制算法,并通过一系列仿真和实验展示了该一体化结构取得的效果。·针对超车任务中轨迹规划和跟踪不协调的问题,提出了一种基于MPC的超车轨迹规划方法。该方法使用了车辆运动学模型,使得生成轨迹相比于基于质点模型得到的轨迹更符合车辆动态特性。为了规避碰撞并且降低使用车辆运动模型时优化问题的复杂度,提出了一种两阶段的避免碰撞约束条件,将车辆的预测轨迹分为预测时域内的轨迹和预测时域外的轨迹,并对二者提出了不同的约束条件,在不显著增加计算时间的情况下实现了较长时域的轨迹规划。