汽车正朝着电动化、智能化的方向发展,主动避撞技术作为电动智能汽车的重要功能之一,有助于减少交通事故导致的人员生命财产损失。所以,对其研究具有重要意义与实用价值,本文围绕这个主题展开,设计一种融合“人-车-路”信息的电动汽车主动避撞系统,主要研究内容如下:（1）主动避撞系统“人-车-路”信息感知研究。提出了一种基于深度学习的驾驶员制动意图预测模型（LSTM-CNN-Attention）,该模型融合了LSTM（Long Short-Term Memory Neural Network,LSTM）、CNN（Convolutional Neural Network,CNN）和Attention机制的优点,解决了单一循环神经网络或卷积神经网络对多传感器数据的时空特征提取性能不佳的问题,能有效地获取“人”的信息。联合MATLAB/Simulink、Pre Scan和罗技G29等搭建了驾驶模拟器用于采集驾驶数据,利用处理后的数据训练模型实现驾驶员制动意图预测。针对深度学习模型超参数难以手动调节的问题,提出一种基于遗传算法的超参数整定方法;基于带遗忘因子的递推最小二乘法设计了一种路面附着系数估计算法,完成对高、低附着路面和对接路面的仿真验证,提高了避撞系统对不同路面的适应能力,准确地获取了“路”的信息;设计了一种障碍车过滤算法,去除不会对本车产生威胁的车辆目标,能够有效地获取“车”的信息。（2）主动避撞系统决策规划方法研究。针对传统纵向安全评估模型未能综合利用“人-车-路”等多方面信息的缺点,提出了考虑前车驾驶意图和路面附着系数的安全评估模型。利用模糊理论设计了评估模型中的最小安全距离参数,增强了模型应对多种工况的能力。在横向安全评估方面,使用五次多项式对换道避撞轨迹进行规划,为了获得最优轨迹,建立了考虑舒适性和通行效率的代价函数。分析了横向换道避撞过程,得到了横向安全距离。综合考虑纵、横向安全距离后,建立了纵、横向避撞模式的优先级以及最终的决策算法。（3）分层式纵向避撞控制策略研究。为了提高制动避撞过程的舒适性和安全性,设计了基于神经网络的上层控制器用于模仿有经验驾驶员的驾驶行为,利用驾驶模拟器采集的驾驶数据训练网络。下层搭建了基于PID的反馈控制器,利用遗传算法对PID参数进行离线优化,提高了控制器对多种工况的适应能力。搭建了驱动/制动逆动力学模型并设计了两者的切换策略,避免了不同执行器频繁切换的问题。联合Car Sim和MATLAB/Simulink搭建了仿真平台,参考欧洲新车评价规程（European-New Car Assessment Programme,Euro-NCAP）搭建了测试工况,完成了纵向避撞控制策略的仿真验证、对比与分析。结果表明本文设计的纵向避撞系统能够准确地识别危险工况并做出有效的应对措施,可以在设计的所有工况下完成避撞。（4）基于模型预测控制（Model Predictive Control,MPC）的主动换道避撞控制策略研究。建立了三自由度车辆动力学模型,通过线性化和离散化后设计了基于线性时变系统的模型预测控制器。构建了目标函数用于确保跟踪性能和舒适性。对MPC添加约束用于满足执行器物理限制和保证汽车稳定性。搭建了横向避撞仿真平台,设计了高、低附着系数仿真工况,并与多点最优预瞄控制进行了对比。最后,对仿真结果进行分析和评价,结果表明本文设计的横向避撞系统较多点最优预瞄控制拥有更高的跟踪精度,能够确保避撞过程中车辆的安全性和稳定性。