Este documento presenta la implementación de un proyecto de vehículo eléctrico autónomo (EV) en el campus de la Universidad Nacional de Ciencia y Tecnología de Taiwán (NTUST) en Taiwán. El objetivo de este trabajo fue integrar dos prácticas importantes para la realización de un vehículo autónomo en un entorno universitario, incluyendo la posición del vehículo y el seguimiento de la ruta. Tal proyecto es útil para que los estudiantes aprendan y practiquen de manera conveniente las tecnologías clave de los vehículos autónomos. Por lo tanto, se equipó un EV hecho en laboratorio con un GPS cinemático en tiempo real (RTK-GPS) para proporcionar precisión de posición en centímetros. Además, se propuso el control predictivo de modelo (MPC) para llevar a cabo la capacidad de seguimiento de la ruta. Sin embargo, el RTK-GPS presentó algunas preocupaciones de posicionamiento robusto en la aplicación práctica, como una baja tasa de actualización, obstrucción de la señal, deriva de la señal e inestabilidad de la red. Para resolver este problema, se utilizó un enfoque de fusión multisensorial utilizando un filtro de Kalman insípido (UKF) para mejorar el rendimiento de posicionamiento del vehículo al considerar además una unidad de medición inercial (IMU) y odometría de ruedas. Por otro lado, el control predictivo de modelo (MPC) se utiliza comúnmente para controlar vehículos autónomos. Sin embargo, la determinación de los parámetros de MPC es una tarea desafiante. Por lo tanto, se utilizó el aprendizaje por refuerzo (RL) para generalizar el valor de datos pre-entrenados para la determinación de los parámetros de MPC en la práctica. Para evaluar el rendimiento del MPC basado en RL, se realizaron simulaciones de software utilizando MATLAB y un vehículo eléctrico a escala real hecho en laboratorio para experimentos y validación. En un recorrido de 199.27 m en el campus, el error estimado de la distancia de recorrido fue del 0.82% en términos de UKF. Los parámetros de MPC generados por RL también lograron un mejor rendimiento de seguimiento con 0.227 m de RMSE en experimentos de seguimiento de ruta, y también lograron un mejor rendimiento de seguimiento en comparación con el de los parámetros de MPC ajustados por humanos.