驾驶员模型是智能汽车的决策和控制中心,通常比喻为“车脑”。为了提高智能汽车对复杂行驶工况的适应性以及决策控制的敏捷性,并模拟真实驾驶员在人—车—路闭环系统下的操纵行为,本文提出了基于转向和车速综合控制多目标评价的智能汽车驾驶员模型,从预瞄时间自适应调整、纵横向运动控制耦合分析、基于多目标评价的综合速度决策、仿真与实车试验对比分析等方面开展研究。首先,运用预瞄跟随理论构建了智能汽车方向控制驾驶员模型,分析道路环境与汽车行驶状态等因素对智能汽车驾驶员模型中预瞄时间的影响,分别采用基本预瞄时间和补偿预瞄时间反映不同因素对驾驶员前视行为的影响,并将基本预瞄时间和补偿预瞄时间相结合,建立了基于BP神经网络的预瞄时间自适应模型。运用Carsim/Simulink联合仿真平台,搭建了预瞄时间自适应的智能汽车驾驶员模型,针对正常驾驶和激进驾驶两种工况进行了仿真分析。仿真结果表明,该预瞄时间自适应模型可有效改善智能汽车驾驶员模型的路径跟踪效果。其次,分析驾驶员模型中的速度和方向之间的耦合机理,通过误差分析建立了驾驶员模型参数与车辆模型参数之间的联系。通过复杂车辆模型的输入和输出数据来识别等效车辆模型的参数,并根据辨识误差结果对输入信号与算法进行优化,采用最优拟合方式对模型参数与车速之间的关系进行拟合,从而更加准确地反映智能汽车驾驶员模型的动态特性。然后,为了模拟驾驶员速度控制行为的复杂性和不确定性以及车辆的动力学特性与道路条件等因素对驾驶员速度选择的影响,建立了表征驾驶员对汽车纵向速度控制行为特性的多项评价指标。根据评价指标设计模糊规则库,采用经典模糊控制器作为理想纵向加速度的模糊逻辑控制器结构,并根据车辆的动力学特性建立驾驶员模型控制校正环节。在Carsim/Simulink联合仿真平台中搭建了方向与速度综合控制模型,并与Carsim正常驾驶模式进行对比分析。仿真结果表明,该驾驶员方向与速度综合控制模型可有效模拟出真实驾驶员对汽车速度控制的自整定行为。最后,设计多种行驶工况并采集了不同工况下熟练驾驶员的驾驶行为数据,筛选各工况下合理的试验数据,并对车辆定位数据进行坐标转换。为了使模型仿真实验过程中的行驶条件与实车试验条件接近一致,根据试验车参数修改仿真模型中的车辆参数。将实车试验轨迹在地图上再现并采集数据进行分析与优化,建立各工况下仿真模型跟踪轨迹。通过仿真模型与实车试验的对比与分析,表明基于转向和车速综合控制多目标评价的智能汽车驾驶员模型能够实现多种道路场景下的路径跟踪过程,并能够模拟熟练驾驶员对汽车的方向与速度综合控制行为。