随着工程技术的发展,自动导引车在智能化生产、物流及仓储中的应用越来越广泛。面向织造车间的超长车体自动导引车能适应织机间巷道宽度、布辊长度和质量、运输效率等应用场景特征。然而,超长车体设计对复杂路径跟踪性能、车辆的安全性提出了更高要求与新的挑战。针对以上问题,本文提出一种基于深度强化学习的超长车体AGV局部路径优化与跟踪控制方法,为超长车体AGV高效、安全自主行驶提供保障。本文主要内容及其研究思路如下:（1）超长车体AGV系统概述与运动学分析。概述面向织造车间超长车体自动引导车结构特征及其运动、自导航系统物理组成。结合超长车体与双舵轮驱动特征,分析并建立自动引导车运动学模型。通过系统总结与分析提出相关问题的研究需求。（2）狭窄巷道局部路径优化与避障策略研究。提出一种基于Actor-Critic算法的局部路径优化模型与避障策略。在织造车间环境下分析AGV避障问题,建立AGV前端触须模型及马尔可夫决策过程,基于深度强化学习的路径避障策略,并将其应用于AGV自导航系统。通过仿真实验测试了AGV动态避障性能,验证了算法的有效性。（3）超长车体AGV非线性路径跟踪方法研究。提出一种基于机器学习的自适应路径跟踪控制方法。该方法以跟踪精度统计度量化为切入点,分析并建立自动引导车动力学模型,提出一种面向织造车间的路径跟踪多约束模型,以此为基础解决AGV路径跟踪精度与行驶安全耦合问题。为进一步解决车体侧倾、打滑与碰撞等现象规避问题,提出了路径跟踪控制算法,避免了复杂环境下车体姿态不可控的发生,提高了路径跟踪稳定性。最后通过仿真及现场实验验证了该方法的有效性。