随着车联网通信技术和智能汽车技术的发展,车辆的协同自适应巡航技术逐渐发展起来。本文依托硬件在环台架作为研究平台,对车辆在车联网环境下的自适应巡航控制技术进行研究。传统的自适应巡航（ACC）技术基于毫米波雷达等车载传感器采集前方障碍物或车辆信息。本文中车辆处于V2X环境下,直接依靠V2X网络实现信息传输,是一种协同式自适应巡航（CACC）。相比于传统模式,协同式自适应巡航有着可靠性强、数据接收速率快等优势,车辆也因此拥有更好的安全性、燃油经济性等优点。从控制系统架构上来说,协同式自适应巡航系统类似于自适应巡航系统。目前主流的方案是采用分层式结构,即存在上层控制器和下层控制器。上层控制器根据车间距、两车相对速度、两车相对加速度等信息来输出目标加速度值,下层控制器根据目标加速度值控制车辆的执行机构进行加速动作或制动动作。由于下层控制器算法适用性较强,普遍选用的是模糊或PID算法,因此研究的核心点还是在于上层控制算法。本文中上层控制器采用深度强化学习算法,它根据设定的奖惩函数以及车辆与环境交互的结果输出目标加速度。在查阅国内外研究协同自适应巡航相关文献,对比分析了协同自适应巡航系统所采用的关键技术和方法之后,本文将车辆跟驰模式划分为七种模式,定速巡航、稳态跟随、接近前车、加速、减速、避撞以及信号灯模式。明确了这七种模式的划分依据,以及各模式下评价指标的权重系数,主要针对车辆的安全性、燃油经济性、舒适性进行了优化。为了验证算法的可行性及有效性,通过车辆动力学仿真软件Carsim和深度强化学习软件Tensorflow、Python进行了联合仿真,并在硬件在环台架上进行了实验。