El control predictivo basado en modelos (MPC) es un enfoque prometedor para el control lateral y longitudinal de vehículos autónomos. Sin embargo, la parametrización del MPC con respecto a requisitos de alto nivel como la comodidad de los pasajeros, así como el seguimiento lateral y longitudinal, resulta desafiante. Numerosos parámetros de ajuste y requisitos conflictivos deben ser considerados. En este trabajo, formulamos la tarea de ajuste del MPC como un problema de optimización multiobjetivo. Su solución es exigente por dos razones: en primer lugar, las parametrizaciones del MPC se evalúan en un entorno de simulación computacionalmente costoso. Como resultado, el algoritmo de optimización necesita ser lo más eficiente posible en muestras. En segundo lugar, para algunas malas parametrizaciones, la simulación no se puede completar; por lo tanto, los valores útiles de la función objetivo no están disponibles (por ejemplo, aprendizaje con restricciones de colisión). En este trabajo, comparamos la eficiencia de muestra de la optimización de enjambre de partículas multiobjetivo (MOPSO), un algoritmo genético (NSGA-II) y múltiples versiones de optimización bayesiana (BO). Ampliamos BO introduciendo un tamaño de lote adaptativo para limitar la sobrecarga computacional. Además, ideamos un método para tratar las restricciones de colisión. Los resultados muestran que BO funciona mejor para un presupuesto pequeño, NSGA-II es el mejor para presupuestos medianos y ninguno de los optimizadores evaluados es superior a la búsqueda aleatoria para presupuestos grandes. Por lo tanto, se demuestra que ambas extensiones propuestas de BO son beneficiosas.