为了满足城市轨道交通系统快速、高效、准时、环保、人工成本低等要求,以车辆自动驾驶系统(Automatic train operation简称ATO)为控制核心的无人驾驶城市轨道交通系统成为各国专家研究的主要对象。ATO的成功运用使地面控制中心与城轨车辆间能够实时地进行数据采集,状态监测和控制,从而保证城轨车辆在最优状态下运行,较大程度地提高了城市轨道车辆的平均速度、停车准确性、运行能耗、旅客舒适度等多项指标,使得无人驾驶城轨车辆成为未来城市轨道交通系统的发展方向。在ATO模式下,研究无人驾驶城轨车辆的精确停车问题,不仅可以提高城轨车辆的停车精度,在改善列车安全性,保障列车运行时间,提高运营效率和准点率等方面也具有实际应用价值。首先,本文分析了在车辆自动驾驶系统(ATO)模式下,城市轨道车辆的牵引特性和制动特性及其计算方法,并分析了城轨车辆所受到的基本阻力和附加阻力,进而探究影响其精确停车的主要因素。然后建立了车辆动力学模型,为接下来行驶误差的预测和精确停车算法的建立打下了基础。其次,介绍了时间序列自回归模型。对预测对象的样本数据进行了白噪声检验和平稳性检验。然后,确定了时间序列模型的类型。之后,通过计算自相关系数和偏自相关系数确定模型阶数。进而通过最大似然估计法,计算出了模型参数,并通过模型进行了有效性检验和显著性检验,仿真结果证明模型建立的可行性和有效性。再次,介绍了无人驾驶城轨车辆精确停车算法及其控制策略的应用。首先进行建模假设和前提准备。然后,建立了若干种制动策略和目标函数,并根据城轨车辆系统的限速要求为目标函数建立了罚函数。最后,将不同的制动算法结合在一起,实现了城轨车辆的控制策略研究。最后,对无人驾驶城市轨道车辆的制动阶段在定值惩罚因子和变量惩罚因子两种条件下进行了仿真,并且分为:相同制动距离不同初速度;相同初速度不同制动距离和不同制动距离不同初速度三种情况进行分析。通过仿真结果,给出了不同形式惩罚因子条件下的最优迭代惩罚因子和最优进站状态。仿真结果得出了车辆制动进站的较优运行状态和停车算法的最优迭代参数,证明算法和控制策略合理有效。