随着计算机技术和传感技术的迅速发展,自动驾驶技术受到越来越多的关注,被认为是能有效解决环境污染、缓解交通事故和缓解交通拥堵的重要技术。越来越多的互联网企业和传统汽车企业都在进行自动驾驶车辆测试,但是自动驾驶事故频出,说明现有技术还不够完善。其中,车辆换道技术是自动驾驶技术的关键问题之一,吸引了交通和汽车等相关领域学者的广泛关注。自动驾驶车辆换道研究已经取得一定成果,但是算法仍不够完善。在自动驾驶车辆换道轨迹规划方面,现有研究只针对车辆换道执行过程,当前已经有了大量有关车辆换道轨迹规划的研究,这些方法主要是基于运动学的换道轨迹规划方法,使用数学公式来描述换道轨迹曲线,并使用一些换道过程的约束条件以及对行驶安全和效率的考虑,求得最终的换道轨迹,基于规则的换道轨迹存在高阶光滑的特点。然而业内当前对于换道轨迹的数学描述不统一,产生了大量的轨迹曲线方程,比如极坐标多项式轨迹和五次多项式的轨迹等。也尚未有定论何种方程可以最佳地描述换道轨迹曲线,而且当前对换道过程的运动学模型描述也有比较大的误差。究其原因是车辆的换道过程十分复杂,影响换道过程的车辆有三辆车,周围车辆以及换道车辆的相对位置、速度以及周围每辆车的位置、速度、加速度都会对换道过程造成影响,不仅在纵向上有影响,在横向上也有很大的影响。所以,换道过程很难用简单的数学表达式进行描述,深度学习的方法恰好可以弥补基于规则的自动驾驶车辆在换道轨迹规划领域的不足。本文对自动驾驶车辆换道轨迹规划进行研究,利用三次多项式曲线生成车辆换道轨迹,在Gipps理论基础上建立适用于车辆换道的避撞约束,保障车辆换道的安全性,再基于车辆换道舒适性和效率的成本函数,计算得到最优安全换道轨迹,将得到的安全换道轨迹引入到LSTM神经网络模型中,对LSTM神经网络模型进行改进,从而建立考虑真实换道数据和基于规则的改进LSTM神经网络模型。由于车辆换道数据集有限,且不同的车辆换道数据集往往存在不同的换道行为特征,而单个已训练好的神经网络应用于新的数据集时,通常需要重新训练,重新训练好的神经网络又对旧的数据集适用性不足,因此本文将所建立的改进LSTM神经网络模型嵌入到BP神经网络中,从而建立一种可嵌入深度学习网络模型,该模型有效的继承了以往数据的换道行为特征,同时能缩短对新数据的学习过程。使用NGSIM数据作为背景数据,结合PYTHON进行仿真分析,验证了模型的可行性,并在Car Sim软件中验证了模型的跟踪性。结果显示,基于改进深度学习的自动驾驶车辆换道轨迹规划模型能有效的改善车辆换道环境,进而提高车辆换道成功率和安全性,利用本模型可以规划出一条合适的自动驾驶车辆换道轨迹,且能保证换道车辆能够更安全、更舒适地完成换道。Carsim的仿真显示,本文提出的模型所规划出的换道轨迹和速度能够很好地被自动驾驶车辆跟踪,车辆左前轮与右前轮转向角的变化同步,而轮胎侧向滑移角变化情况保持一致且数值较小,车辆行驶稳定性良好。在规划过程中,LSTM神经网络模型可能比人更早换到目标车道,主要是因为在真实换道过程中有些人表现保守,而该模型不仅考虑了安全性,而且考虑了效率,因此,如果所提出的模型比人更早完成换道过程,并不是因为它变得不安全而是效率变得更高。基于可嵌入神经网络的自动驾驶车辆换道轨迹规划模型可以对陌生的环境进行相对理性的做出合理的换道执行行为,因此,本深度学习的换道轨迹规划模型的可行性和适用性较高。