智能汽车是一个集环境感知、规划决策以及运动控制等功能于一体的高新技术载体,其可在不同道路环境下实现自主驾驶,代表了汽车未来发展的重要方向。运动控制是实现智能汽车自主驾驶的关键环节之一,其中,纵向动力学控制对于实时调节汽车纵向运动状态、保证智能汽车行驶安全具有重要意义。作为具有高度非线性以及参数不确定性等特点的非完整运动约束系统,智能汽车纵向动力学控制策略设计面临较高挑战。本文为进一步提升智能汽车纵向运动控制精度,采用RBF神经网络自适应滑模控制策略进行智能汽车纵向动力学控制研究,主要研究内容如下:首先,构建了智能汽车纵向动力学模型。借助已有的试验数据,系统地建立了包括发动机、变速器以及整车等在内的智能汽车纵向动力学模型,掌握了节气门执行器与制动执行器的运行规律。在此基础上,建立了汽车纵向动力学逆模型,制定了节气门与制动器的合理切换逻辑,为后续智能汽车纵向动力学控制设计奠定了模型基础。其次,设计了智能汽车纵向动力学非奇异终端滑模控制策略。在充分掌握滑模变结构控制原理的基础上,通过设置合适的系统输入量和输出量,完成了系统控制算法的优化设计,基于MATLAB/Simulink平台搭建了智能汽车纵向动力学滑模控制仿真模型。仿真结果表明,相较于PID控制策略,非奇异终端滑模控制算法使得智能汽车纵向速度平均跟踪误差降低了50%以上,有效提高了智能汽车纵向速度控制精度。再次,进行了基于RBF神经网络自适应滑模的智能汽车纵向动力学控制策略研究。针对滑模控制存在的“抖振”现象,结合RBF神经网络特有的逼近特性,对非奇异终端滑模控制的切换增益进行神经网络自适应调节。仿真结果表明,RBF神经网络算法有效改善了传统滑模控制产生的抖振现象,显著提升了智能汽车纵向运动控制品质。最后,基于D2P平台完成了智能汽车纵向动力学控制性能实车试验验证。通过将所设计的RBF神经网络自适应滑模控制算法刷写进D2P快速控制原型系统,结合试验车辆,完成了智能汽车纵向动力学控制实车试验。实车试验结果表明,所设计的神经网络自适应滑模控制算法在实际应用过程中具有较好的控制精度,验证了本文所提出控制策略的有效性,为智能汽车纵向动力学控制设计及应用提供了丰富的经验和借鉴。