1.一种智能汽车轨迹跟踪控制方法，其特征在于，包括：S1：获取汽车动力学模型；

S2：通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，预测出汽车的横摆角速度和质心侧偏角；

S3：通过基于自适应螺旋滑模算法的上层控制器，根据预测出的横摆角速度和质心侧偏角，确定保持汽车轨迹的最佳附加横摆力矩；

S4：通过基于最佳纵向力分配算法的下层控制器，根据保持汽车轨迹的最佳附加横摆力矩，确定各个车轮的扭矩分配，并基于扭矩分配结果控制汽车；

其中，所述汽车动力学模型具体包括：纵向运动方程：

横向运动方程：

横摆方向运行方程：

其中，m表示整车质量，v

其中，所述S3具体包括：

S301：构建所述上层控制器的滑模面：其中，s表示滑模面，γ表示横摆角速度预测值，γS302：对所述上层控制器的滑模面进行一阶求导，并代入所述横摆方向运行方程，得到：其中，

S303：对所述上层控制器的滑模面进行二阶求导，并代入所述横摆方向运行方程，得到：S304：根据所述上层控制器的滑模面，确定保持汽车轨迹的最佳附加横摆力矩：M

其中，M

其中，所述滑模面调节项具体为：其中，Δs表示滑模面调节项，k其中，所述自适应螺旋滑模控制增益具体为：其中，

其中，所述S4具体包括：

S401：构建基于最佳纵向力分配算法的下层控制器的目标函数：其中，J()表示下层控制器的目标函数，FS402：根据保持汽车轨迹的最佳附加横摆力矩，为基于最佳纵向力分配算法的下层控制器设置约束条件：F

其中，M

S403：在所述约束条件的约束下，依据所述目标函数，对纵向力进行分配，确定各个车轮的最佳纵向力；

S404：根据各个车轮的最佳纵向力，通过所述汽车动力学模型，计算各个车轮的扭矩；

S405：根据计算出来的各个车轮的扭矩，控制汽车。

2.根据权利要求1所述的智能汽车轨迹跟踪控制方法，其特征在于，所述S2具体包括：S201：向基于长短时记忆神经网络的轨迹跟踪模型输入历史轨迹序列X，所述历史轨迹序列中包括多个轨迹数据点x，每个轨迹数据点x包括：横摆角速度γ和质心侧偏角β；

S202：在遗忘门中，确定需要遗忘的信息，通过以下公式，得到遗忘门的输出向量：F

其中，F

S203：在输入门中，确定存储到细胞存储单元的信息，通过以下公式，得到输入门的输出向量：I

其中，I

S204：在细胞存储单元中，通过以下公式，计算当前时刻的临时细胞状态：其中，

S205：在细胞存储单元中，通过以下公式，计算当前时刻的细胞状态：其中，C

S206：在输出门中，通过以下公式，得到输出门的输出向量，并将输出门的输出向量存储为隐状态：O

H

其中，O

S207：在输出层中，通过以下公式，预测出汽车的横摆角速度和质心侧偏角：其中，y

3.根据权利要求2所述的智能汽车轨迹跟踪控制方法，其特征在于，所述基于长短时记忆神经网络的轨迹跟踪模型的训练方法包括：构建基于长短时记忆神经网络的轨迹跟踪模型的目标函数；

以所述轨迹跟踪模型的目标函数的函数值最小为目标，对所述轨迹跟踪模型进行训练。

4.根据权利要求3所述的智能汽车轨迹跟踪控制方法，其特征在于，所述基于长短时记忆神经网络的轨迹跟踪模型的目标函数具体为：其中，F()表示轨迹跟踪模型的目标函数，Θ表示模型参数集合，Y

5.一种智能汽车轨迹跟踪控制系统，其特征在于，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的智能汽车轨迹跟踪控制方法。