本项目依托吉林省教育厅科学技术项目“基于线控底盘的分布式电动汽车动力学建模与协同控制”（项目编号:JJKH20200963KJ）。随着经济改革的不断深入,人们的生活质量不断提高,人们对汽车的需要也越来越高,这导致了我国的汽车保有量的大幅提升,从而带来了交通事故率上升、环境破坏、交通拥堵以及能源浪费等问题。现实问题和需求不断驱动着智能驾驶的发展壮大,作为智能驾驶的重要一环,汽车跟驰行为控制是研究的重点和热点之一。在保证安全的前提下,同时兼顾经济性、跟随性以及舒适性是未来汽车跟驰控制研究的重点,尤其是舒适性,舒适性不仅与加速度或加速度变化率等物理参数有关,还与驾驶风格有关。符合驾驶员的驾驶行为特性的跟驰控制不仅能满足其心理预期,也是使驾驶员接受跟驰控制的关键之一。本文在自然科学基金项目的支持下,对驾驶员的行为特性进行建模,并基于该模型建立了汽车跟驰控制策略。通过对现有的汽车跟驰控制和驾驶风格的相关研究进行对比分析,总结了当前跟驰控制研究现状,以满足驾驶员驾驶个性为目标,同时考虑弯道曲率对纵向驾驶的影响,基于分段仿射模型建立了驾驶员的纵向驾驶行为模型;然后为了在保证安全性的前提下,同时兼顾经济性、跟随性以及舒适性,以模型预测控制（Model Predictive Control,MPC）为基础建立了多目标协调策略,该MPC控制充分利用了前车过去的加速度信息;最后在实验平台上对跟驰控制策略进行实验验证。本文主要工作如下:（1）本文应用Trucksim纵向动力学模型作为基础模型,然后采用对数采样的方法选取不同曲率,建立了一条含多个不同曲率弯道的实验公路。接着基于Trucksim纵向动力学模型建立了逆纵向动力学模型,经过验证表明,该模型可以满足研究要求。最后建立了二车辆跟驰系统模型,为后面模型预测控制设计奠定基础。（2）为充分捕捉驾驶员的纵向驾驶行为特性,本文选取混杂系统中应用最广泛的模型分段仿射模型（Piece Wise Affine,PWA）作为其描述方式。建立实验台、设计实验获取驾驶员的跟驰行为数据,并对数据进行高维聚类分析,最后利用聚类结果进行子系统的参数辨识,同时利用聚类结果对多层前馈神经网络（Back Propagation Net,BP Net）进行训练,用训练完成的BP网络替代传统PWA模型中的切换平面。（3）本文分析利用差分整合移动平均自回归模型（Autoregressive Integrated Moving Average model,ARIMA）对前车的加速度时间序列进行预测的合理性,然后讨论了基于ARIMA模型的模型预测控制（ARIMA-MPC）。分析了前车加速度时间序列的特点后,本文采用了fmincon函数对ARIMA前车加速度预测模型进行参数辨识。（4）对汽车跟驰控制目标进行分析,对跟随性、燃油经济性、舒适性和安全性分别进行了子目标拆分以及量化设计。最后对量化指标进行整合,引入松弛因子,并将前车加速度预测结果应用于模型预测中,使ARIMA-MPC控制向最优控制问题转化,为其求解提供了基础。（5）为了验证本文跟驰算法有效性,本文以实验平台为基础,设计了以PI控制为基础和以LQR为基础的两个对比跟驰控制器,并另外设计设计5种实验工况,分别是旁车道插入工况、前车驶离工况、前车定加速工况、前车紧急制动工况和弯路工况。实验结果显示,本文所提出的ARIMA-MPC跟驰算法能够有效整合跟随性、舒适性、安全性和燃油经济性的要求,且松弛因子能够自动调节各个约束的上下界,可以很好地处理传统MPC无解的问题。