车辆驾驶行为决策、行为规划和行为控制作为智能汽车控制的三大核心问题,被各国学者广泛关注。在车辆控制的过程中,良好的驾驶行为决策既省去了冗余的重新规划过程,同时能够提供给控制层更加精确的操作依据。为了提高智能车换道的安全性,本文提出了一种基于安全场和模型预测控制(MPC)的智能车换道策略及控制算法,并对该算法进行仿真分析。首先,针对全局换道路径可能存在不确定的安全问题,论文分析了车辆换道过程中动态环境变化特征,提出了一种基于安全场的离散点安全路径决策策略,判断出换道场景中最小风险路径点集,实现智能车换道的安全驾驶行为决策。其次,设计了一种路径-速度分解的离散点拟合轨迹规划算法,对决策层得到的离散路径点进行四次多项式拟合,考虑车辆换道加速度变化和换道时长,以提高换道舒适性和整体的道路交通利用率为目标,建立优化目标函数,实现安全舒适且快速的智能车换道轨迹规划。然后,利用动力学模型和模型预测控制算法,将控制量以及行驶边界条件作为约束,建立最小化跟踪误差的目标函数,通过优化求解得到最优的车轮转向控制输入,实现安全舒适的换道轨迹跟踪控制。最后,搭建Car Sim与MATLAB/Simulink的联合仿真平台,利用不同车速下的三种不同的驾驶场景,对论文的智能车换道决策、规划和跟踪控制算法进行了验证,并与其它的风险评估算法进行对比分析。仿真结果显示,在不同的驾驶场景下,本文提出的基于安全场的离散点换道决策方法能够为智能车提供安全、实时的换道策略,与其它安全风险决策方法相比,该方法具有考虑因素更全面、决策结果更合理的特点,极大地简化和提高了智能车的安全行为决策,为换道行为决策提供了更好的技术支持。路径-速度分解的离散点拟合轨迹规划算法能够为智能车快速规划出安全的换道路径和舒适高效的换道速度。模型预测控制的跟踪算法实现智能车换道的轨迹跟踪控制,能够将车辆实际行驶轨迹与参考轨迹之间的跟踪误差控制在?0.5m以内。