行人-车辆碰撞事故是交通事故的重要构成,行人运动预测是面向未来智能车辆应用的重要课题,对减少行人-车辆碰撞事故、提升交通安全具有重要意义。当前相关领域的研究中,存在着对行人及环境信息利用不充分,研究方向分散、相关研究没有有效整合等问题。为此,本文面向无交通灯、非路口的路侧行人可能横穿的交通场景,开展考虑行人姿态、环境因素等的行人运动预测方法研究。首先,本文基于可获取的行人及环境信息,分别提出了基于贝叶斯估计的行人行为识别及基于动态贝叶斯网络的行人穿行意图识别方法。前者定义了行人站立、行走、奔跑三种典型行为,利用基于长短期记忆网络的先验概率模型及基于速度分布的似然概率模型,给出行人行为后验概率估计。后者分别从行人视角和车辆视角出发,设计了以行人目的地、场景危险程度等行人决策因素为隐变量,行人身体朝向、人车纵向相对距离等车辆观测值为观测变量的动态贝叶斯网络,给出了行人穿行意图的推断方法。然后,根据行人行为及穿行意图识别结果,本文设计了基于粒子滤波思想的行人轨迹预测算法。通过对交通要素的分析,定义了包含行人-车辆通行区域等属性的栅格地图;通过对行人运动特点的分析,提出了与行为相关的运动方程及考虑车辆运动补偿的观测方程;以粒子群中粒子模拟行人运动过程,并利用交通环境及穿行意图进行重要性采样,从而通过粒子分布给出行人预测轨迹。此后,本文进行传感器选型,并基于ROS系统搭建了行人运动及环境信息采集软硬件平台,用于试验数据采集。利用相关开源算法及标注工具,提出了完整的数据解析及处理流程,为试验验证提供了基础。最后,根据行人穿行场景特点,本文定义了八类试验场景,并利用数据采集平台进行实车数据采集,分别对行人行为识别、行人穿行意图识别及行人轨迹预测算法进行了验证。试验表明,行人行为识别先验模型和后验模型准确度分别达0.97和0.98,似然模型准确度达0.90;行人穿行意图识别算法能在行人开始穿行前0.2~0.5s,距离行人约20m处,识别出行人穿行意图;行人轨迹预测算法能在此基础上,用粒子群分布的形式,给出符合行人行为及穿行意图的未来0~3s内位置分布,表明整个行人运动预测系统具有较高的应用价值。