随着自动驾驶汽车的快速发展以及其广阔的应用场景,使得对于智能驾驶技术的性能有了更高的要求,行为决策系统作为其中的关键组成部分就显得尤为重要。考虑到现阶段量产的智能辅助驾驶汽车主要为车道内的动作,其尚未涉及到汽车换道的决策。为此,本文主要研究了在汽车快速行驶时换道场景的分析与决策,以现有传感器提供的信息为基础设计了换道场景分析模型,包括交通信息分类、交通信息预处理和换道意图产生;并在考虑舒适性和安全性的前提下设计了换道决策,包括换道轨迹规划、安全性检测和交通车换道意图识别;最后根据规划出的换道轨迹和期望车速设计了轨迹跟随的控制量决策算法和纵向车速控制。在进行换道场景分析时,面对传感器给出大量交通场景信息,首先运用交通信息分类模型,对所有的信息进行分类并提出了不同交通参与物所需求的运动及位置信息,然而上述部分信息无法通过传感器直接获得,进而设计了交通信息预处理模型,对传感器信息进行处理,记录下交通车辆的历史轨迹并划分了行驶区域。并利用处理后的信息,筛选和分析出了可能产生换道意图的场景,然后对不同的场景设计了其对应的换道意图产生方法,同时对其进行了仿真验证其意图产生的合理性。为了实现该换道意图,本文设计了换道决策算法。首先考虑了换道过程中驾驶员的舒适性,以纵向加速度和横向加速度的峰值为约束条件,运用多项式的规划方法,规划了换道轨迹;然后对该轨迹进行了安全性检测,该检测主要通过计算本车与交通车的纵向安全距离判断换道轨迹是否安全;同时利用隐马尔可夫模型对交通车的换道意图进行识别,对交通车建立车道保持、向左换道和向右换道等三种换道行为的子模型,并比较各个模型对同一观测序列的匹配度,匹配度高的为该观测序列对应的换道行为。为了实现车辆跟随换道轨迹和期望车速,设计了基于模型预测控制的换道轨迹跟随模型和纵向车速控制模型,首先建立了车辆动力学模型用来描述车辆的运动规律,利用该模型描述了滚动时域优化问题,将轨迹跟随问题转化为了带约束的优化问题;同时对其进行了希尔德雷恩二次规划算法的快速求解预期控制变量的最佳序列,将该控制变量序列输出给EPS来实现换道行为。纵向车速控制模型用期望车速和实际车速,通过PI控制决策出施加在车辆上的期望加速度。然后对本文提出的轨迹跟随算法进行了两种道路工况下的仿真验证,证明了其具有良好的跟随效果。由于在进行虚拟交通场景搭建时,如何确定交通车的运动规律成为了关键。因此本文搭建了实车试验平台用于采集实际道路的交通场景信息,并对该信息进行了滤波处理,然后在SCANeR软件中利用该数据建立能够反映真实交通的虚拟场景,进而对本文提出的算法进行了软件仿真,仿真结果表明:在典型的换道场景下,算法能够有效的对换道意图场景进行分析,并且可以决策出舒适安全地换道轨迹,同时能够准确的控制车辆跟随换道轨迹完成换道行为。