近年来,智能化成为汽车工业重要的发展方向,自动驾驶技术也取得了长足的发展和进步,但是真实道路环境下的自动驾驶技术依然面临许多难题。本课题立足于自动驾驶技术的发展现状,对高速道路环境下自动驾驶车辆行为决策方法展开深入研究。针对高速道路环境下的超车决策问题,提出了自动驾驶车辆超车行为决策框架。超车行为决策框架涵盖了两个主要模块:微观交通场景信息模型与超车行为决策模型。微观交通场景信息模型作为超车行为决策模型的输入,包含了多层次的场景信息,为行为决策提供了有效依据。决策模型以层次状态机为基础,把人类的驾驶行为离散成不同层次的子行为,建立相应的顶层状态机与超车子状态机。层次状态机将行为决策问题建模为状态之间的转移关系,降低了决策的复杂性,也使决策系统便于维护。在超车过程中采用了分层决策的方法:基于RBF神经网络模型的超车意图产生与基于规则的超车条件判断。超车意图产生与特定驾驶员的驾驶特性有关,反映了超车过程中的主观性规律,通过RBF神经网络模型能够对特定驾驶员的驾驶特性进行学习,使自动驾驶车辆超车意图产生时机与人类驾驶员相同或相似,带来良好的驾乘体验。当超车意图产生后,需要进行超车条件判断,超车行为要满足安全性、利他性等基本要求,超车条件反映了超车过程中的客观性规律。通过相应的规则建立超车条件,能够防止RBF神经网络模型错误分类带来的不良影响,保证了超车决策结果合理可行。同时,利用Prescan与Matlab/Simulink软件搭建了联合仿真平台,进行人类驾驶员行为决策数据采集与基于人在回路的仿真实验。最后,基于比亚迪速锐自动驾驶平台在北京市三环道路上进行实车实验。实验结果表明,本文所提出的超车行为决策框架能够引导自动驾驶车辆完成自主超车。