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。