El horizonte de predicción es un parámetro clave en el control predictivo basado en modelos (MPC), que está relacionado con la efectividad y estabilidad del control predictivo basado en modelos. En el control de vehículos, la selección de un horizonte de predicción está influenciada por factores como la velocidad, la curvatura del camino y la densidad del punto objetivo. Para adaptarse a condiciones variables como la curvatura del camino y la velocidad del vehículo, propusimos una estrategia de control utilizando el algoritmo de optimización de políticas proximales (PPO) para ajustar el horizonte de predicción, permitiendo que el MPC logre un rendimiento óptimo, y lo llamamos PPO-MPC. Establecimos un espacio de estado relacionado con la información del camino y el estado del vehículo, consideramos el horizonte de predicción como acciones y diseñamos una función de recompensa para optimizar la política y la función de valor. Realizamos verificaciones de simulación a varias velocidades y las comparamos con un MPC con horizontes de predicción fijos. La simulación demuestra que el PPO-MPC propuesto en este artículo muestra una fuerte capacidad de adaptabilidad y seguimiento de trayectorias.