1.一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，包括以下步骤：A、根据智能车上的环境感知和轨迹规划模块规划出一条参考轨迹，从参考轨迹上提取出车辆期望横摆角θp，然后根据智能车辆的传感器采集到的车辆行驶信息得出车辆实际横摆角θ，求出车辆实际横摆角和期望横摆角的误差为θe；

B、建立智能车的二自由度动力学模型，把步骤A中的横摆角误差θe传输给下层的滑模横向控制器，通过控制前轮转角δf来实现横向控制；考虑到建立的动力学模型的不确定性，采用RBF神经网络来对前轮转角进行补偿，从而优化横向跟踪控制。

2.根据权利要求1所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述智能车的二自由度动力学模型的车辆动力学模型为：为横摆角误差的二阶导数，其中D为系统模型的不确定性，即有：

令x1＝θe， 则上述动力学模型可变成：

式中： a、g表示公式计算的常量参数；

其中：Cf和Cr为汽车的前后轮侧偏刚度，vx和vy分别表示汽车的纵向速度和侧向速度，ω为汽车实际的横摆角速度，ωp为汽车期望的横摆角速度，lf和lr分别表示质心到汽车的前后轴距离，I表示汽车相对z轴的转动惯量，δf表示汽车的前轮转角。

3.根据权利要求2所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述步骤B把步骤A中的横摆角误差θe传输给下层的滑模横向控制器，通过控制前轮转角δf来实现横向控制，所述滑模横向控制器的滑模控制律为：其中：ε为常数且ε＞0；k为常数且k＞0；c表示常量，sgn(s)表示符号函数，可知：由上式可知 满足滑模的稳定可达条件。

4.根据权利要求3所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述RBF神经网络共三层，包括输入层、隐含层和输出层，其中输入层有2个神经元，隐含层有5个神经元，输出层有1个神经元。

5.根据权利要求4所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述隐含层神经元的激活函数为高斯函数:h(i)＝exp(-(x-cj)2/2bj2)  (j＝1,2···，5)式中， 表示神经网络的输入向量；cj＝[cj1 cj2]T表示第j个节点的中心向量值；bj＝[bj1 bj2]T表示第j个节点的高斯基函数的基宽值向量；

网络输出层的输出为:

u2＝WTH

式中：W＝[w1w2···w5]T是RBF神经网络的权重矩阵，H＝[h1h2···h5]是神经网络的隐含层输出。

6.根据权利要求5所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述RBF神经网络还包括采用梯度下降法对神经网络的权值、中心向量和基宽向量的值进行修正的步骤。

7.根据权利要求5所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述经过RBF神经网络补偿后的前轮转角控制律为：