车辆主动安全技术作为避免车辆发生事故的重要安全手段,现今已经得到了越来越多的应用。相比于车辆的被动安全技术,主动安全技术可以在车辆发生碰撞事故之前对驾驶员进行警示,为后续的车辆行驶提供安全决策以避免发生事故。随着技术发展,车辆轨迹预测与安全决策技术已经成为主动安全技术的重要组成部分。其中,车辆轨迹预测技术可根据当前以及历史的车辆运行状态对预测时段内车辆的位置、速度等运动状态做出预测,预测结果可以为判断预测时段内的车辆安全提供支撑。安全决策则是根据车辆自身运行状态与周围运行环境对后续的车辆操作与行为进行安全判断,若存在发生碰撞的可能,则对驾驶员发出警告以调整后续的车辆操作。通过主动安全技术的轨迹预测与安全决策,可以极大程度的提高车辆运行的安全程度,避免发生碰撞事故。相对于车辆直线行驶,车辆的换道行为作为一种常见交通行为,其换道过程复杂且多变,考虑要素较多,使得对换道行为进行轨迹预测与安全决策相对困难。为解决车辆在换道过程中的轨迹预测与安全决策问题,本论文采用高精度GPS仪器与VLP-16激光雷达搭建车辆运动过程的数据采集实验平台,在车载平台下对车辆运动的位置、速度与周围环境信息进行采集。通过该实验平台在城市道路上进行的实车实验,采集了大量的车辆换道轨迹与其周围运动环境的真实数据。在吸收国内外现有轨迹预测与安全决策研究成果的基础上,面向车辆换道的轨迹预测与安全决策进行研究,具体研究内容如下:1、对高精度GPS仪器与VLP-16激光雷达所采集的原始实验数据进行了数据预处理与清洗,从中提取了换道轨迹数据和对应的周围环境点云数据。对换道轨迹数据,建立了基于改进Hausdorff距离的轨迹聚类算法,实现了对换道轨迹的聚类,为后续轨迹预测提供数据支持;对车辆周围环境数据,通过点云滤波、点云分割等方法实现了对该数据的分割与车辆点云的聚类。并根据车辆点云数据在空间中的表现形式对聚类结果进行了二次识别,从中提取车辆目标与相对坐标。为解决车辆点云在连续帧中的匹配问题,提出了基于KM算法的相邻帧车辆点云匹配方法,对相邻帧的同一车辆点云进行关联与匹配从而建立周围运行车辆数据集,为后续的安全决策提供数据基础。2、建立了基于生成对抗网络的车辆换道轨迹预测模型,该模型包括了轨迹生成网络与轨迹判别网络。针对传统神经网络在序列预测上的不足,本文根据编码器-解码器结构建立了轨迹生成网络,采用多层感知机建立了轨迹判别网络;提出了多重损失函数对生成对抗网络的损失函数进行改进以适应车辆轨迹预测的需求;采用真实换道轨迹数据对预测模型进行了模型检验与误差分析,模型预测结果表明,该模型可以对预测时段内的换道轨迹进行序列预测,其预测精度较现有模型有所提升。3、建立了基于MCDM的换道安全决策模型。本文首先对车辆换道行为按其产生原因进行分类,讨论了自由换道情况下的换道行为产生条件。其次,根据车辆运动状态对换道全过程进行阶段划分,研究了在不同换道阶段中可能发生的碰撞类型。对不同阶段的安全决策指标进行分析,结合换道预测轨迹与换道决策方案完善了安全决策指标的计算。最终通过数值仿真与计算对决策模型进行了验证与分析,结果表明,该决策模型可充分考虑各个安全决策指标,在保证车辆换道安全的前提下,选择最佳的换道方案进行换道,提高了换道效率与安全性。综上所述,本文主要考虑车辆换道过程中的轨迹预测与安全决策,针对换道轨迹预测与安全决策分别建立了基于生成对抗网络的换道轨迹预测模型与基于MCDM的换道安全决策模。为了解决轨迹预测中不定长的序列预测问题,以生成对抗网络为基础分别建立了基于编码器-解码器的轨迹生成网络与轨迹判别网络,并对所提出的模型进行了相应的检验与分析。同时,对车辆换道中的安全决策指标进行了计算与分析,建立了基于MCDM的换道安全决策模型。本文的研究成果可以使得人们进一步的认识车辆换道过程,也可丰富和完善现有车辆主动安全技术的理论研究成果,同时本研究也可为先进的智能交通与交通安全提供一定的理论补充。