换道引发的交通事故、造成的交通延误近年来呈现持续上升趋势。而利用智能车的环境感知优势,通过引入换道决策模型指导车辆合理、安全、舒适地自动换道可以有效地保障行车安全,减少行车延误,充分合理地利用道路资源。同时换道决策也是智能车行为决策中至关重要的一部分,在微观交通领域,结合智能网联汽车环境感知和云平台通讯的优势,建立换道决策模型,为智能网联汽车应对复杂的交通环境提供决策支持,实现车辆的智能决策和自动驾驶。为了解决智能车超车换道模型的选择问题,需要对典型智能车换道模型进行了评价。传统对智能车换道模型的评价都是基于单一的换道模型在简单场景下进行有效性验证,而城市道路环境下的换道行为却是一种复杂的多策略博弈行为,即受本身换道策略影响,也受相邻车辆换道策略影响,是混合策略博弈,对其评价需要以宏观交通场景做为依托,构建混合博弈交通场景,才能反映各种换道模型在城市道路交通场景的行为特征。用于混合策略博弈的城市道路交通场景构建,既需要能够进行大量交通对象的仿真模拟,也需要能够描述车辆的微观行驶特征和换道行为。因此,我们需要构建能够实现微观交通仿真模型和微观车辆换道模型进行实时交互的仿真系统和场景。鉴于此,本文提出了基于数据驱动构建城市道路交通场景,同时选取典型智能车换道模型进行算法构建,以博弈论为基础,兼顾纯策略博弈和混合策略博弈两种实验手段,进行换道模型的宏观及微观评价分析的分析方法。本文的主要工作和成果总结如下:1.智能车超车换道模型分析及算法构建。对国内外典型换道模型进行了调研分析,并将其分为四大类。分别为:基于规则的换道模型、基于效用的换道模型、基于模糊逻辑的换道模型、基于预测的换道模型。本文选择了四大类换道模型中的经典模型进行了详细分析,同时利用Matlab对其进行了算法实现。2.基于数据驱动,以微观交通流仿真软件SUMO为平台完成了城市道路交通场景构建,作为换道策略评价的场景依托。首先,以深圳市部分区域的浮动车数据、卡口流量数据为基础,进行数据处理,OD对划分,地图匹配,最后完成OD矩阵求解;然后以SUMO为平台,导入OD矩阵,自动生成可执行的路由,完成城市交通场景构建,同时基于卡口数据,完成了城市交通场景的验证工作;最后基于TraCI4Matlab交互接口实现了城市道路交通场景及Matlab换道算法的实时交互,完成了混合博弈仿真平台构建工作。3.利用混合博弈仿真平台,基于博弈实验完成了对智能车换道策略的宏观评价。分别在自由流、平峰流、高峰流下进行纯策略及四种换道模型不同概率分布的混合策略博弈实验,以平均速度、平均等待时间、误换道数作为评价指标完成了宏观评价。结论显示各种换道模型在不同交通流下表现有明显差异,即没有任何一种换道模型在各种交通流密度下均占优。同时本文也给出了不同交通流密度下,各种组合的混合策略博弈仿真评价结果,为智能车根据当前周围交通流密度进行换道模型选择提供了理论依据。4.基于博弈实验完成了对智能车换道策略的微观评价。首先,进行道路细分,完成换道行为微观过程建模。然后,分别在自由流、平峰流、高峰流下进行换道模型纯策略及混合策略博弈实验,以换道时刻加速度分布、前车间距分布作为舒适性、安全性评价指标,完成了智能车换道模型的微观评价。评价结果揭示了不同交通流密度下换道时刻加速度、前车间距的分布特性。同时针对智能车换道过程的舒适性、安全性来说,在不同的交通环境、交通流密度下,各种换道策略均无法保证在任何交通环境和交通密度下均占优,也没有任何一类换道模型在所有交通环境和交通密度下其收益都最低。5.通过混合策略博弈和纯策略博弈对比分析,揭示了混合策略博弈对于换道模型评价的重要性,为换道模型的评价提供了更加客观的评价方法。通过纯策略和混合策略的换到模型雷达对比分析图可得到在纯策略或者固定混合策略下均可找到符合评价指标的最优换道模型,但由于道路交通场景的复杂性,各种换道策略组合的真实广泛存在,只有利用混合策略博弈对具体策略分布进行具体分析才是有用的,同时也进一步证明了混合策略博弈对换道模型评价的客观正确性。