近年来,随着传感技术和信息处理技术的发展,智能驾驶技术引起了学术界和工业界的广泛关注。智能驾驶系统可以通过环境感知、决策分析、控制执行等技术,为人们提供辅助泊车、紧急避障、自动驾驶等功能。智能驾驶系统的出现降低了由于疲劳驾驶、酒驾等人为因素所导致的交通事故的发生频率,也使得人们有可能解放双手实现真正的无人驾驶。超车是日常驾驶过程中的一种典型操作,也是智能驾驶中的技术难点之一。据报道,在谷歌无人驾驶汽车的320万公里测试过程中,共出现14起轻微碰撞的交通事故,其中有9起都是因为超车操作不当所引起的。在超车过程中,被超越的前车有可能出现包括抖动、迂回、穿梭等不稳定的驾驶行为,这些异常驾驶行为会极大程度上影响后车的超车操作。后车如果在超越过程中无法精准获得前车状态,错误判断了超越的可能性,两车就可能发生交通事故。本文从车辆的状态估计与跟踪技术入手,对被超越的前车进行驾驶特性分析,并建立后车的最优超越模型。具体的研究内容主要包括以下几个方面:本文采用联邦卡尔曼滤波(Federal Kalman Filter,FKF)的模型,融合了卫星定位、路边单元辅助定位和惯性导航定位方法,实现对前车状态的精确、可靠、实时的估计与跟踪。在此基础上,本文建立了适用于超车场景的模糊推理系统(Fuzzy Inference System,FIS),实现对前车的驾驶特性分析,检测出前车的异常驾驶行为。本文从FKF输出的状态量中提取出角速度和横向偏移量作为系统的输入,通过设计适用于超车场景的隶属度函数和模糊规则库,得到FIS的危险指数的定量输出结果。并且将前车的驾驶状态分为正常和异常这两种状态,以简化后车的超车操作。通过对前车的驾驶特性分析,本文基于优化控制理论提出了后车的最优超越策略。通过设计优化目标,本文分别建立了高安全性和高时效性的最优超车策略,并针对FKF定位误差引起的FIS判断错误的问题,提出了鲁棒性控制策略。通过一系列的仿真实验,我们验证了本课题所提出的最优超车模型可以实现安全、高效、低耗的最优折中超越。