传统的结构化轨迹预测算法依靠道路上明显的标志线，容易取得车辆行驶车道的位置信息，并且其余交通参与者都按照交通标志线运动，交通参与者的状态信息容易预测，因此能快速实现轨迹预测。无人驾驶车辆在非结构化道路行驶时，由于非结构化道路缺乏明显的交通标志线，传统的轨迹预测算法缺乏针对性。首先，由于非结构化道路缺乏明显的交通标志线，轨迹预测算法缺失对当前车道的位置信息；其次，车辆会与多种交通参与者发生交互，非结构化道路的交通参与者运动形式自由，预测比较困难；最后，根据交通参与者对车辆的不同影响，车辆需要切换不同的行驶状态模型：跟驰模型和换道模型。
　　本文围绕非结构化道路的轨迹预测，研究了非结构化道路上的跟驰模型和换道模型，并对模型的安全性和舒适性进行了研究：
　　首先，明确了对无人驾驶车辆非结构化道路轨迹预测的研究背景及其意义，探讨了常用的结构化道路轨迹预测方法，并对跟驰模型和换道模型进行全面的介绍和分析。
　　其次，介绍了对抗式生成网络在非结构化道路上的应用，既实现对非结构化道路的车道划分，并在CULane数据集上进行了实验，与多种结构化道路车道线检测模型进行对比，得出实验结论。
　　再次，基于对抗式生成网络对非结构化道路车道线划分结果，对结果图像进行后处理，得出车道具体位置，以及图像中的预测行驶轨迹。将图像坐标系转换至真实坐标系，即可得到真实坐标系下车辆的预测行驶轨迹；并利用CA模型获取在轨迹上每一点的加速度和速度信息，实现跟驰模型的轨迹预测。并用以上方法完成在通行能力优秀的交通流、拥堵的交通流和紧急制动情况下的环境中仿真，完成了非结构化道路的无人驾驶的跟驰模型。利用已经得到的车道信息，基于frenet坐标系，建立多项式换道模型，并给出计算多项式参数的计算方法。提出了车辆状态控制器控制车辆状态的方法，多特征融合的危险系数矩阵，在高于安全系数阈值情况下执行跟驰状态，低于阈值时根据车辆的安全系数，选择换道或紧急制动。
　　最后，充分探讨了车辆的预测轨迹的安全性和舒适性，对车辆跟驰状态下和换道状态下与其余交通参与者的最近距离，以及整个过程中车辆的各个状态，统计了每个过程的最大加速度和最大舵向角，以验证本文提出的轨迹预测算法预测出的轨迹的安全性和舒适性，并完成跟驰模型的实车验证。