在交通系统中,车辆的换道行为是道路交通流的基本特性。近年来,因驾驶者的换道行为引发的交通事故数量约占总数的27%,其中,有75%的由换道引发的交通事故是因为驾驶人对于其他道路使用者及环境的误判,直接导致驾驶人做出了错误的行为决策,从而发生了交通事故。因此,车辆的车道级换道行为预测一直是国内外研究的重要课题。近年来由于激光雷达（Light Detection and Ranging,LiDAR）的高精度优势,使激光雷达成为了目前研究车辆车道级定位和换道行为预测的新技术和新手段。相较于广泛使用的车载高线束激光雷达,通过路侧低线束激光雷达进行车道级换道行为预测的研究成本更低,因此本文选用16线束的低线束激光雷达作为路侧设备,对车辆进行车道级换道行为预测的研究。但是,当前使用低线束路侧激光雷达对车辆进行车道级换道行为预测的研究仍不够充分,基于该现状,本文首先检测得到激光雷达扫描范围内的道路车道线,并对车辆、行人等实例进行多目标跟踪、匹配同一物体的激光雷达和GPS信息以获得车辆的车道级定位,最后使用高分辨率数据实现车辆的换道行为预测。本文的研究内容组织如下:（1）基于3D激光点云的路面车道线识别方法研究。首先,通过改进地面识别算法,以保障低线束路侧激光雷达能够获取更多的地面点云数据。其次,根据点云的分布密度,将点云数据划分为网格单元,并基于激光点云强度识别地面车道线激光点云数据。最后,提出了一种基于线性密度的聚类方法,以线性密度最大化为目标,通过对扫描区域进行条纹分割和条纹搜索,实现车道线识别与检测。（2）基于LiDAR和GPS融合的车辆车道级定位方法。在对激光点云数据进行实例分割和目标信息提取的基础上,基于匈牙利改进算法,将交并比（Intersection over Union,Io U）和激光强度直方图作为效率值对目标进行跟踪,以获取车辆的行驶路径。基于隐马尔可夫模型（Hidden Markov Model,HMM）对LiDAR车辆轨迹数据与GPS车辆行驶轨迹进行匹配和位置信息融合,从而对车辆的GPS信息进行修正,以实现车辆车道级定位和跟踪。（3）基于高分辨率车辆轨迹数据的车辆换道行为预测。首先,对车辆的换道行为进行研究分析,获取车辆进行换道行为时的车辆特征,以及周边车辆对换道行为产生的影响,并将前期处理得到的高分辨率的换道车辆和周边车辆信息,如:车辆坐标、速度、加速度、角度以及周围车辆的相对距离等会对车辆换道行为产生影响的信息作为输入,用于训练LSTM神经网络,对车辆在未来时刻的行驶轨迹进行预测。并使用基于非线性SVM的方法,根据车辆与车道的相对距离、位置坐标等,对车辆是否存在换道行为进行判别,从而实现完整的预测车辆换道行为的过程。本文提出的方法使用低线束路侧激光雷达采集的数据,能够有效、准确地获取车道线信息、车辆的车道级定位以及对车辆换道行为的预测结果。本文的研究能够以较少的设备和建图成本为设备周围车辆提供车辆所处的准确位置以及预测到的换道行为,为基于V2I的驾驶信息传递提供数据支撑,从而为驾驶者提供充足的盲区信息,减少因缺少视野信息换道造成的交通事故。