ATO系统随着城市轨道交通迅猛发展得到了越来越高的重视，这为它的研制和开发提供了广阔的研究前景。目前ATO系统的发展，主要还是以机器控制为主导，人工监督为辅的运行方式。先进的控制技术以及智能算法的应用和发展，为实现这种列车运行控制方式提供了可能和方便。86035

从20世纪末开始，以日本的日立公司（Hitachi）、德国的西门子公司（Siemens），英国的西屋公司（Westinghouse）为首的国外的很多企业便致力于ATO的研究和实验，并取得了一些实际的成果。[2]之后，德国、日本、澳大利亚、前苏联、丹麦等国在ATO系统的研究中做了更多有价值的探索。英国研究开发了列车惰行系统TCAS（Train Coasting Advisory System），该系统是利用计算机控制的，能根据列车运行的实际需要提示司机适当惰行[3]。德国研究了包括运行中重力加速、惰行和降低最高速度及它们的组合等运行环境中列车运行过程中多种操纵方式，这种研究是建立在其对列车操纵方式模型的模拟研究基础之上的，为列车操纵方式的优化打下了基础。澳大利亚学者的研究实现了列车运行的最佳操纵序列，这一成果虽是假定列车的运行线路是理想的情况，但也为列车最优操纵方式的研究做出了巨大贡献。1984年，日本将模糊预测控制应用到地铁列车上并在实际中运营，意味着智能控制在列车上得多了成功应用。1997年，新加坡为了实现列车节能，研究了基于遗传算法ATO系统，该系统是离线算出最适合列车运行的惰行点，使得智能控制在列车中的应用得多进一步的发展。1999年，该国学者为了得到更加合适的群体适应度函数来优化列车运行，将目标函数做了改进，采用了DE（Differential Evolution）优化目标函数，这样使得列车的运行更加的优化。[4]论文网

为求解连续控制下的最优速度曲线，赫梅利尼茨基[3]在论文中利用了最大值原理。霍莱特[4]则研究了离散和连续控制两个不同条件下的列车运动方程，在此基础上讨论了优化操纵的策略。在连续控制中，霍莱特采取了跟赫梅利尼茨基相似的方法，在离散控制中，则采用了库恩-塔克（Kuhn–Tacker）公式[5]推导出了最优巡航-惰行转换点计算公式。

然而，在优化的过程中，以上研究对轨道、列车和驾驶模型进行了简化，对列车能耗的运算十分粗糙。所以这些方法对ATO速度命令节能设计没有任何帮助。需要对每一个ATO速度命令进行运行时间和运行能耗精确评估，ATO速度命令的节能设计才能成功。

近几年，ATO在我国轨道交通领域蓬勃发展，是轨道交通发展的热点问题。铁道科学研究院、株洲电力机车研究所、北京交通大学、西南交通大学等单位在车载系统技术进步与应用方面做了大量研究。在列车运行数据的记录、列车超速保护、出站防冒进等方面取得了大量的成就，但在对ATO优化研究方面有必要继续进行。1995年，中科院为了预测控制列车长度，采用滚动优化的方式优化了神经网络，并在列车进站停车控制上得到实际应用。铁道科学研究院在ATO系统中应用了模糊神经控制，为后面ATO系统的研究积累了宝贵经验。北京交通大学研究开发完成了基于移动通信的列车控制系统，该系统以列车运行自动控制系统为核心并于2010年9月在北京地铁亦庄线上调试和试运行。2012年3月，卡斯柯在CBTC系统国产化研究中取得了成果，该成果为改造北京地铁1号线项目提供技术支持。