车辆测试是车载控制系统研发的重要环节。建立合适的驾驶员模型取代真实的驾驶员进行车辆测试,可以大大缩短车载控制系统的研发周期。由于驾驶风格会直接影响测试结果,因此,建立能够体现驾驶风格的驾驶员模型成为研究的主要内容。本课题提出通过模仿真实驾驶行为建立个性化驾驶员模型的思路和方法。所建立的个性化驾驶员模型能在保留驾驶风格的前提下实现较好的速度跟随性能。考虑到实际汽车测试数据的高度离散性和突变性,本课题采用学习控制的直接逆模型法,再结合神经网络实现该模型。并用此模型代替驾驶员或常规的PID模型进行联邦测试循环(Federal Test Procedre,FTP)标准工况的实验室测试。以VTD以及FTP标准为背景的测试结果和企业应用验证所提建模方法的有效性。随后在此基础上对驾驶员驾驶风格量化分析和异常驾驶行为检测进行了初步的探索。论文的主要内容包括:(1)基于驾驶行为模仿的个性化驾驶员建模。为了在车辆测试中融入不同的驾驶风格而使测试结果更接近于真实,提出一种基于汽车测试数据和神经网络的个性化驾驶员建模方法。考虑到实际数据的高度离散性和局部突变性,以局部性神经网络的典型代表小脑模型关节控制器(Cerebellar model articulation controller,CMAC)网络为基础,采用学习控制的直接逆模型法来建立驾驶员模型,并用此模型代替驾驶员或常规的PID模型进行联邦测试循环(Federal Test Procedure,FTP)标准工况的实验室测试。另一方面,为方便起见,建立并采用基于神经网络和汽车测试数据的汽车模型来代替真实汽车进行模拟测试。以VTD以及FTP标准为背景的测试结果验证了所提方法的有效性。采用个性化驾驶员模型能够在体现驾驶风格情况下完成标准工况测试,使实验室测试更接近于真实。(2)基于相空间重构的驾驶风格定量评估。首先,对驾驶行为进行标准化处理以消除环境因素的影响;接着,将标准化后的驾驶行为进行相空间重构分析,提出一种基于关联维数的驾驶风格指数,用于定量评估驾驶的激进程度;最后,将驾驶风格指数应用于驾驶风格的识别,仿真结果验证了所提方法的有效性。(3)基于非监督特征学习的异常驾驶行为检测。首先,基于驾驶行为标准化系统和已有研究,对不同的异常驾驶行为进行分析以及仿真;然后,基于稀疏自编码器神经网络建立异常驾驶行为检测系统。为了获取更具鲁棒性的特征,在稀疏自编码器的基础上融入去噪编码方法。同时,在整个网络中加入"Dropout"训练技术,以减少因过拟合而带来的预测误差。最后,采用对比试验验证所提方法的有效性。