当今汽车安全和辅助驾驶系统越来越引起人们的重视。其中自适应巡航控制(ACC:Adaptive Cruise Control)作为一种辅助驾驶系统,得到了广泛研究。ACC能根据传感器检测到的驾驶环境进行纵向速度和距离控制,将驾驶员从频繁的加速减速中解放出来,极大减轻了驾驶员的驾驶强度。但传统的控制器很难实现仿人式控制,对复杂驾驶环境的控制效果并不好,因此开发简单、易行、有效的控制器己成为迫切要求。　　 另一方面,强化学习(RL:Reinforcement Learning)作为一种新兴的机器学习算法,由于其自我学习的特性引起了学者的极大兴趣。监督式强化学习(SRL:Supervised Reinforcement Learning)结合了监督学习(SL:Supervised Learning)导师的指导和强化学习自我学习的特性,很适合仿人式自适应巡航控制问题的求解。自适应动态规划(ADP:Adaptive Dynamic Programming)是一种先进的强化学习方法,采用神经网络来逼近动态规划的性能指标函数,从本质上解决了似化学习的维数灾问题。　　 本文针对ACC问题,分析了其驾驶模式,构建了车辆驾驶的上层控制模型。在强化学习算法、监督式强化学习算法、自适应动态规划算法的基础上,提出了监督式自适应动态规划算法(SADP:Supervised Adaptive DynamicProgramming)。　　 根据车辆的各种驾驶模式,分别设计了SRL控制器、SADP控制器和混合PID控制器进行仿真。结果显示SADP控制器的效果优于SRL控制器的效果,略好于混合PID控制器的效果。在速度和距离的控制上,SADP控制器和混合PID控制器效果大体相当,但SADP控制曲线更加平稳;在加速度上,SADP控制器比混合PID控制器要小且平稳;在碰撞时间上,SADP控制器和混合PID控制器效果相当。　　 因此可以得出结论:SADP有很好的控制精度及泛化性:存仿人式ACC系统中具有良好的控制效果。