汽车测试是汽车工业和智能交通中重要的问题。建立合适的驾驶员模型能够大大缩短车辆的研发和测试周期,节省人力物力。车辆测试中,驾驶员的驾驶风格会对测试结果造成很大的影响。某些特定的场合中,对车辆测试时速度跟随的精度也有明确的要求,因此,建立个性化驾驶员模型是一个十分重要的课题。基于驾驶员模型和车辆模型,再借助仿生学优化方法,可以完成换挡规律的自动整定。我们提出建立一个由共性模型和个性模型一起构成的统一的驾驶员模型,用于模拟驾驶员身上的两种驾驶行为:共性模型用于模拟每个驾驶员都共有的通用的驾驶技能,个性模型用于模拟每个驾驶员独有的驾驶行为特征。借由远程学习方法,使用一个网络化的PID控制器建立共性部分;使用真实的驾驶数据建立初始的个性模型,然后再和共性模型一起在汽车测试中针对特殊应用进行模型参数的自动调整。FTP-72标准测试曲线被用在建立汽车测试平台中,测试结果表明,在达到令人满意的速度跟踪精度的同时,保留了驾驶员原有的驾驶风格。我们提出使用仿生学优化来自动化换挡规律的整定过程。本文中使用PSO来引导换挡规律的搜索过程,并且通过使用个性化驾驶员模型来将驾驶员风格融合进整定过程中。个性化驾驶员模型是通过模拟人类驾驶员的行为而建立的,并且被用作机器人驾驶员完成基于FTP-72或US06的驾驶循环测试,来评估候选换挡规律。换挡规律可以综合考虑驾驶性能和换挡质量,使用计算性能指标或者AVL-Driver进行在线评估。在PSO的引导下,不断生成并测试新的换挡规律,直到得到了一个最优的或者近最优的换挡规律。实验证明了所提出方法的有效性和优越性。