【摘要】智能车作为机器人技术和自动化领域的重要应用，路径跟踪算法是确保其精准导航的核心技术。 尽管传统比例－积分－微分（ＰＩＤ）控制因结构简单且高效被广泛应用，但在复杂动态环境下对系统参数变化和外界干扰的适应性较差，限制了其性能。 为此，本文研究并对比了传统 ＰＩＤ 控制器与神经网络 ＰＩＤ 控制器在路径跟踪和误差控制方面的性能。 通过引入单神经元网络和有监督的神经网络赫布型学习（Ｈｅｂｂ）规则，构建起了基于元神经网络的 ＰＩＤ 智能车控制算法。 通过引入遗传算法优化 ＰＩＤ 的参数，进一步提升了控制系统的自适应性和鲁棒性。 利用 ｐｙｔｈｏｎ 进行仿真实验，结果表明：神经网络 ＰＩＤ 控制器能够更准确地跟踪参考路径，具有较小的误差和更平稳的动态响应。 与传统 ＰＩＤ 相比，神经网络 ＰＩＤ 在路径跟踪精度、误差控制和系统稳定性方面表现优越。 此外，遗传算法的应用显著优化了 ＰＩＤ 参数，增强了控制系统的整体性能。 本文的研究成果为智能控制系统的应用提供了新的思路，尤其是在路径跟踪和误差控制等场景中具有较大的应用潜力。