系统梳理了自动驾驶技术自20世纪20年代至2024年的发展历程，分阶段剖析了技术起源与萌芽期、理论奠基与探索期、技术实践突破期、快速发展与范式转型期4个发展阶段及各阶段特点，并聚焦于感知-决策-控制模块化范式、端到端一体化范式、车路云一体化的协同与竞争。结果表明，当前自动驾驶技术呈现“模块化主导、端到端突破”的双轨发展态势，数据闭环与车路云一体化成为解决长尾场景与提升系统泛化能力的关键路径，然而，数据质量不足、算法可解释性欠缺、算力需求激增及政策适配滞后仍是主要挑战。由此可预测，大模型赋能的认知推理、神经符号混合架构、轻量化部署及车路云深度协同等技术将推动自动驾驶向安全、高效、普惠的智能出行生态转型。

为解决现有的基于点云的三维目标检测算法对小目标检测效果较差的问题，在传统点柱（PointPillars）模型的基础上提出了一种基于注意力机制的PointPillars三维目标检测算法。首先，对PointPillars模型中的支柱（Pillar）特征网络进行改进，在编码网络中引入一组高效通道注意力（ECA）机制，使每个Pillar模块能够更充分地考虑其局部详细几何信息，从而显著提高每个Pillar模块的特征表示能力；其次，在主干网络中的二维卷积下采样模块中引入混洗注意力（Shuffle Attention）模块，通过提升特征表达的多样性和有效性，使模型网络聚焦于重要特征并抑制不重要或冗余特征，从而显著增强了算法的特征提取能力。在KITTI数据集上的测试结果表明，改进算法在三维行人检测的简单、中等和困难3种难度下的检测精度分别提升了4.04百分点、3.43百分点和1.93百分点，显著优于原始的PointPillars网络，行人小目标检测性能得到提升。

针对传统车道保持方法依赖高精度模型且计算负荷大的局限性，提出一种基于深度确定性策略梯度（DDPG）算法的车道保持辅助策略，融合了车辆动力学模型与深度强化学习（DRL）框架，并设计了一种考虑任务完成度和横向误差的奖励函数以优化模型训练收敛速度和跟踪精度，从而在不同弯道场景下实现更为精准和高效的车道保持性能。仿真验证结果表明，相较于传统的模型预测控制（MPC）方法，所提出方法的横向误差绝对值均值较MPC降低了42%~72%。

为提高智能汽车轨迹跟踪控制的精度和稳定性，提出了考虑模型不确定性的车辆轨迹跟踪与横摆稳定性可拓协调控制方法。上层基于可拓理论，将车辆行驶实时状态映射至可拓集合，根据关联函数确定控制模式和权重分配；下层考虑建模误差，采用轨迹跟踪控制器结合扩张状态观测器（ESO）和模型预测控制（MPC）算法求解前轮转角控制量，并基于自抗扰控制（ADRC）理论建立直接横摆力矩控制器，根据期望横摆角速度计算相应车轮制动力矩。仿真结果表明，该方法使横向误差均方根值和最大质心侧偏角分别减小了40%和45%，有效提高了跟踪精度和稳定性。

针对自动驾驶条件下乘员易发生晕动症，严重影响出行体验的问题，提出一种基于脑电图分析的嗅觉与听觉缓解方法。以薄荷气体和α脑波音乐作为刺激源，通过驾驶模拟平台构建自动驾驶环境，采集30名被试者的脑电信号，设计了听觉、嗅觉、听觉&嗅觉3种晕动症缓解方案，结合脑电信号中的时域、频域特征（平均值、方差、偏度、峰度、功率谱密度）与分类算法构建了基于脑电数据的晕动症识别模型，并基于该模型进一步评估了3种方案对晕动症的缓解效果。结果表明：听觉&嗅觉方案缓解效果最好，缓解指数（RI）平均值达到58%；单一嗅觉方案的缓解效果次之，缓解指数平均值为35%；单一听觉方案的缓解效果最差，缓解指数平均值为21%。