智能网联车协同自适应巡航技术（Cooperative Adaptive Cruise Control,CACC）能够综合运用先进的车载传感器、控制器、执行器和通信设备,对智能网联车队列中的各车纵向行为进行协同且高效的控制。CACC对提升道路交通最大通行能力、阻止交通震荡传播、提升道路交通系统安全性及燃油经济性等方面具有巨大潜力,是智能网联车技术实际应用落地的重要场景与方向。该技术植根于先进的感知与通信技术,对智能网联车的环境感知和实时通信能力存在一定的依赖。现有的CACC控制算法主要基于确定性感知假设,即传感器能够提供准确的感知数据。但在工程实践中,传感器误差一直存在且难以消除。上述假设与现实状况的差异性,极易导致CACC控制性能退化和失效,导致道路通行能力降低,同时使交通事故风险提升和燃油消耗增加等问题。针对上述研究需求,本文基于随机最优控制,提出了一种面向感知与控制效能不确定环境的双前车信息拓扑CACC控制方法（Cooperative Adaptive Cruise Control with Uncertain Preceptions,CACC-UP）,根据动态规划方法提出了队列领航车变速情况下的最优控制实时求解方法,结合分离定理及李雅普诺夫稳定性分析方法从理论角度对控制器的稳定性进行了验证。本文工作如下:（1）本文基于现有车辆队列四元素构架,在综合分析车辆控制系统和车载传感器测量中可能出现的各类不确定性基础上,采用二阶节点动力学、双前车信息流拓扑结构和恒定车头时距策略,构建了CACC-UP节点模型,采用正态扰动描述对状态和测量方程不确定性。在测量不确定性方面,本文采用最优权重法对来自多传感器的感知数据进行初步融合,从而初步减小感知不确定性。（2）在考虑跟车安全性、速度一致性和燃油经济性等多个要素的前提下,本文设计了基于随机最优控制的CACC-UP控制器。该问题被描述为使得两车间距误差最小、两车相对速度最小和加速度变化最小的线性二次高斯问题。根据随机系统分离定理,本文将上述随机最优控制的求解过程解耦为确定性系统的求解和卡尔曼滤波器实时估计。针对现有确定性系统求解方法中并未考虑开环输入的问题,本文根据最优性原理以及随机贝尔曼方程,采用动态规划方法构建了控制器解的增益以及解的迭代形式;随后使用卡尔曼滤波器估计各时刻的最优状态估计量,从而建立了队列领航车变速情况下的最优控制实时求解方法。（3）本文对所设计的CACC-UP控制器进行了闭环稳定性分析。同样基于随机系统分离定理,将控制器的稳定性解耦为定常二次高斯问题及卡尔曼滤波器的稳定性分析问题。本文利用李雅普诺夫直接判别法证明了定常二次高斯问题的闭环稳定性;通过对系统的一致可控性和一致可观性的证明,确定了卡尔曼滤波器的稳定性。上述分析过程,在证明了系统稳定性的同时,也为控制器参数的选择提供了一定依据。（4）为验证控制器的性能,设计了初始扰动收敛、领航车变速、自然驾驶领航车和紧急制动安全性测试等不同场景,使用MATLAB软件仿真验证,并对不同噪声下控制器的性能进行了敏感性分析。仿真结果表明,在现有感知和控制设备存在较大不确定性情况下,CACC-UP控制器依旧可以保证队列及交通流的稳定,并且对不同的扰动均具有抑制作用。