随着科技的进步发展,智能驾驶汽车成为了当前汽车行业最具有研究前景的方向之一,智能驾驶技术可以有效降低交通事故的发生频率,避免由于不同驾驶员风格而造成的的例如道路拥堵、交通事故等道路交通安全问题。城市结构化道路环境具有特殊性,智能车在该环境中面临众多复杂和不确定性因素。行为决策规划和运动控制作为智能驾驶车辆的关键技术,提高智能车在城区交通场景下的决策规划和运动控制技术具有深刻的研究意义与应用前景。本文依托国家重点研发计划“整车智能化控制及性能提升技术”（编号2018YFB0106203）,以智能驾驶汽车为研究对象,主要研究了城市交通场景下的决策规划与运动控制问题,并设计了仿真试验对本文所提出的算法进行了验证与分析。本文的主要研究工作有以下几点:针对智能车在城市驾驶场景下的决策规划算法进行研究。首先对城市道路环境特点进行分析,基于层次状态机模型将智能车辆在城市交通环境中的决策规划问题划分为正常道路行驶和路口行驶场景下的子状态问题。对于正常行驶道路环境中,着重研究智能车的换道行驶决策规划问题,通过时间和空间层面的约束对车辆的换道意图进行分析,基于最小安全换道距离的概念判断车辆换道行驶的可行性,在车辆产生换道意图且满足可行性时,基于五次多项式进行换道过程中轨迹簇规划,在给定约束条件下设计成本函数并进行优化求解得到最优换道时间解,得到最优换道轨迹。对于路口行驶场景,考虑交通法规建立路口通行时的车速规划算法,对于路口处车辆行驶缺少参考轨迹的问题,基于多段线拼接进行路口处的路径规划。针对车辆的轨迹跟踪问题。将车辆的运动控制解耦为横向运动控制与纵向运动控制两部分。针对横向运动控制问题,基于模型预测控制原理搭建车辆的横向轨迹跟踪控制器,对车辆的侧向动力学模型进行建模,以此作为预测模型,在考虑控制量与输出量约束条件下设计目标函数,将其转化为二次规划问题进行求解得到控制输入,从而实现对期望轨迹的跟踪。对于车辆的纵向速度控制,分析车辆的逆纵向动力学模型,基于PID理论搭建上层控制器,由其得到的期望加速度通过逆纵向动力学模型进行控制量求解,从而实现了对期望车速的跟随控制。最后通过PreScan及Simulink搭建联合仿真平台,基于Stateflow与Simulink对算法进行实现。对于不同驾驶场景分别设计了典型工况对本文所提出的算法进行了验证,验证了决策规划算法的合理性与安全性以及控制算法的有效性,试验结果表明本课题的研究结果具备一定的安全性、实用性以及可靠性。