近年来，道路交通事故数逐年的减少，但交通事故伤亡率却不断增长。这说明中国汽车安全整体水平仍较低，道路交通安全形势依然十分严峻。据事故统计报告，绝大多数的交通事故都是由于驾驶员的错误操作引起的，究其原因，大致表现为驾驶员的驾驶经验不足。因此，基于驾驶员的行为特性的主动安全研究是一个研究趋势。本文结合国家自然科学基金项目、吉林省科技发展计划项目及长春市重大科技攻关专项项目，以人-车-路闭环系统中的熟练程度不同的驾驶员作为研究对象，通过对驾驶员转向行为特性的分析，再进行基于驾驶员行为模型模型预测的汽车动力学控制研究。首先，基于人-车-路闭环系统仿真试验信息，建立驾驶员转向行为模型参数辨识算法；其次，在此基础上，设计了基于驾驶员行为模型模型预测的汽车动力学控制构架。采用模型预测控制实现主动前轮转向、直接横摆力矩的集成控制，实现对理想横摆角速度及质心侧偏角的跟踪；最后，搭建了离线仿真平台，并对所开发的算法进行了仿真试验验证。本文主要内容包括：1.双移线、蛇形工况的离线仿真试验本文设计的基于驾驶人转向行为模型预测的汽车动力学控制策略研究。首先需要进行驾驶员的转向行为特性分析，所以需要进行试验得到辨识驾驶员行为特性参数所需的信息。考虑到本文所设计的控制器在车辆临近极限危险工况也要起作用，并且保证辨识算法的准确性，每一种试验工况下分别选择生手、一般、熟练三种类型不同的驾驶员，试验工况选择双移线、蛇形工况，且保持高速行驶下进行离线仿真试验。2.理想驾驶员行为模型的参数辨识本文中采用最优预瞄曲率模型作为理想的驾驶员行为模型。理想驾驶员行为模型的参数辨识包括车辆模型的参数辨识和驾驶员转向特性参数辨识两部分。首先，利用最小二乘法对二阶的车辆模型传递函数进行参数辨识。将连续的车辆模型离散化，并利用最小二乘法对离散的车辆模型进行参数辨识，再将其转化为连续型的传递函数；其次，利用基于下山单纯形法的改进遗传算法进行驾驶员模型的参数辨识。3.基于神经网络的驾驶人行为模式辨识基于下山单纯形法的改进遗传算法对驾驶员模型的参数进行有效的识别，但不足之处在于整个驾驶员模型参数的辨识过程效率低，基于驾驶员行为模型的汽车稳定性控制的实时性较差，但实时性是控制器有效性的前提条件。本文利用神经网络将驾驶员模型参数辨识所需的初始数据信息和驾驶员模型参数辨识结果建立联系，训练得到基于神经网络的驾驶员行为模型的参数识别方法。此算法能很大程度上提高驾驶员模型参数辨识的效率，是控制系统有效性的保证。4.基于驾驶人行为模型预测的底盘动力学控制在复杂路面或高速转弯等行驶工况下，为了保持车辆的行驶稳定性，同时降低驾驶员的在极限工况下的操纵压力。本文将汽车在行驶过程中驾驶员所表现出来的转向行为特性应用到车辆稳定性控制器中。首先，利用驾驶员的转向行为特性预测下一时刻的方向盘转角；其次，利用预测的方向盘转角估算表征车辆稳态的理想状态变量——质心侧偏角和横摆角速度；最后，进行基于质心侧偏角和横摆角速度稳态偏差的AFS与DYC的模型预测控制。5.离线仿真试验建立Matlab/Simulink与CarSim的离线仿真平台。首先利用Matlab/Simulink建立驾驶员行为特性识别算法及基于驾驶员特性的汽车动力学控制算法原型，再通过离线仿真平台，在典型工况下完成对各个算法的验证和调试，并对离线仿真结果进行分析。