为提高多智能体任务完成效率以及降低成本,基于阿克曼无人车模型设计了滑模控制器, 实现了跟随车对于期望轨迹跟踪。采用双曲正切函数代替指数趋近律中的符号函数, 保证切换函数具有连续性。证明了新构造趋近律作用下系统的收敛性。基于树莓派4B和ROS搭建了低成本无人车实验平台, 完成了ROS软件功能设计, 包括无人车平台的导航、建图、TF变换等功能。针对多无人车系统完成了组网操作, 使得无人车能够进行传感器数据共享并通过TF变换关系求得相对位置信息。最后基于所设计的滑模控制器在实机平台完成实验, 得到编队控制性能曲线图并进行了定性定量分析。

四轮独立驱动转向的底盘相较于传统的非独立转向底盘响应速度和灵活性更高, 更契合未来无人车的发展方向。通过分析车辆底盘的转向方式以及对应的运动规律, 研究了不同转向方案下车辆的运动学状态方程模型, 并在此模型的基础上建立了跟踪控制的控制目标和系统约束, 设计了基于模型预测控制的转向控制算法, 并搭建了Simulink-Carsim联合仿真实验模型。通过仿真实验验证了该控制器能够在不同的转向方案下快速稳定地跟踪期望轨迹, 充分发挥了四轮独立驱动转向无人车底盘的转向性能, 为后续进一步研究四轮独立驱动无人车的控制打下了基础。

针对无人车平台利用光流进行载体位姿估计时面临的不同运动状态光流矢量解耦与分析问题, 推导了光流运动场模型, 分析了载体在六自由度位姿独立变化时的解耦光流运动场模型; 根据解耦光流运动场模型, 设计了车载平台的仿真算法, 并给出完全解耦的仿真结果; 利用解耦光流运动场模型量化分析了仿真结果的正确性; 利用KITTI数据集的平移、旋转两个典型场景开展真实光流解耦实验, 进行了模型分析、仿真过程、真实数据、对比结果的一致性验证。结果表明：所给出的解耦模型分析、仿真算法、仿真与真实结果以及对比分析不仅可用于车载平台利用光流开展位姿解耦估计中的误差分析和算法验证, 还对深入理解光流运动成像、开展无人车平台光流应用的研究具一定的借鉴和指导。

应用定性微分对策理论对无人机、无人车追逃问题进行分析, 给出在对局环境中存在障碍物的情况下, 躲避区与捕获区分界界栅的确定过程。设置对局场景, 建立对局双方的运动学方程, 针对双方的运动特性分析结局并得出对局策略。然后考虑讨论环境中障碍物的影响, 分析对局终止条件, 最终解算出界栅, 并给出实例说明。

无人车三维激光雷达与GPS/INS组合导航系统融合使用，需要对两者之间的相对位姿进行标定。针对车辆运动过程点云畸变的现象，提出了一种单帧点云中激光扫描点坐标修正方法。针对标定问题，建立了标定模型，提出了一种基于ICP算法和手眼标定模型及最小二乘法进行外参数标定的方法。通过蒙特卡罗仿真实验，对该方法的有效性和精度进行了仿真和验证。在实验室JJUV-6无人车平台上进行标定试验，得到两者之间的三维位姿关系。对比标定前后三维点云重建效果，点云重叠度接近于配准效果。基于应用的目的，基本满足二维地图构建和三维环境重建的需求。

为了增强无人车对夜视图像的场景理解, 在夜间模式下更快更精确地探测和识别周围环境, 将深度学习应用于夜视图像的场景语义分割, 提出了一种基于卷积-反卷积神经网络的无人车夜视图像语义分割方法。在传统的卷积神经网络中加入反卷积网络, 构建卷积-反卷积神经网络, 无需手工选取特征。通过像素到像素的学习和训练, 得到图像语义分割模型, 可直接用该模型预测夜视图像中每个像素所属的场景语义类别, 实现无人车夜间行驶时的环境感知。实验结果表明, 该方法具有较好的准确性和实时性, 平均IU达到68.47。