近年来,车辆智能驾驶技术被国内外相关学者、组织和机构广泛研究。在未来几十年里,自主车的发展必将改变人类现有的驾驶习惯和出行模式,交通安全也将因无人车技术的发展而不断提高。模型预测是对复杂的决策和规划问题进行建模和预测,包含数据驱动的建模和预测方法以及基于机理的建模和预测方法。人们希望自主驾驶车辆在不同场景、条件、任务下都能拥有自主决策和运动规划的能力以便应对各种问题。本文主要针对基于模型预测的自主驾驶车辆的速度决策和运动规划方法进行研究。论文的主要工作成果和创新点如下:(1)针对自主驾驶车辆运动规划的车辆运动学和动力学特性描述问题,分析和建立了车辆的运动学模型、轮胎模型和车辆的动力学模型。目前,基于无车辆模型的运动规划方法未考虑车辆的模型信息,存在规划出的路径不合理的问题;基于车辆模型的运动规划方法不满足约束条件和参数设置造成执行效果不理想的问题。针对上述问题,本文对车辆的运动机理进行分析和建模,提出了既能在有限时间内求解又能保留车辆动力学特性的车辆动力学模型。(2)提出了一种基于核超限学习机的自主车速度决策的建模和预测方法。目前,自主驾驶车辆的速度决策仍然面临着适应复杂环境困难的问题,对人类驾驶员的速度决策机制进行学习建模和预测,无疑能提高自主驾驶车在应对复杂道路场景时的能力,并保证速度决策的合理性和给乘车人员带来的舒适性。样本采集自有经验驾驶员速度决策的典型数据集,通过核超限学习机进行离线有监督学习训练。建模结果与基于支持向量机和超限学习机的机器学习方法的结果进行比较。结果显示基于核超限学习机的速度决策建模方法具有训练时间短,模型精度高等优点,仿真实验结果验证了本方法的有效性。(3)为进一步检验所提出的速度决策模型的实用性,在自主车实验平台上设计了相应的速度决策软件模块。该软件模块涵盖三个部分,包括样本采集与处理、速度决策模型的使用和输出结果的优化。通过在自主车辆实验平台上进行在线实车验证实验,实验结果显示所得速度决策模型具有可行性,进而证明了所提基于核超限学习机的自主车速度决策建模和预测方法的有效性。(4)针对典型复杂场景下的自主驾驶车辆运动规划问题,提出了一种基于模型预测控制的启发式变权重运动规划方法。目前,基于模型预测控制的运动规划方法在权重设置上依靠经验调节,本文重点针对车辆行驶的典型场景,提出了一种改进的基于模型预测控制的运动规划方法,用于解决在大曲率转角场景下转弯半径过大的问题。这种改进的运动规划方法主要是对模型预测控制方法的目标函数中的状态变量二次型的权重向量加以启发式信息,随着滚动优化不断调整,权重向量能保证二次规划求解后的控制量序列在大曲率转角场景下更快收敛,减少震荡。在U型弯场景下的仿真实验结果验证了本方法的有效性。