随着计算机技术和人工智能技术的发展,智能汽车的相关研究受到了各大高校及企业的关注,成为相关领域学者的重要研究内容。根据相关研究表明,因汽车换道引发的事故在总体交通事故中占比最高,所以研究智能汽车的主动换道系统至关重要。而换道决策和换道轨迹规划在智能汽车换道系统有着重要作用,换道决策模块接收感知模块传入的交通信息,合理的做出换道决策,规划模块接收到换道指令后进行换道轨迹的规划,为控制模块提供跟随轨迹。本文依托于国家重点研发专项“N2/N3类纯电动商用车动力平台关键技术研究及整车应用”,针对智能汽车的换道场景,设计了智能汽车的换道决策算法和换道轨迹规划算法。其中换道决策算法是基于大量实车的换道数据,通过机器学习中的XGBoost算法训练开发的,换道轨迹规划算法是基于五次多项式的函数曲线开发的。本文首先介绍了采用的换道决策算法和换道轨迹规划算法的原理。其次本文基于美国联邦公路管理局采集的NGSIM数据集进行换道轨迹片段提取。NSGIM数据集中主要包含车辆编号、车辆全局位置信息、车辆速度信息、车辆加速度信息、时刻信息等。根据NGSIM中原有信息提取了车辆自身行驶状态信息和周围交通车辆行驶状态信息,并对NGSIM数据集中的数据采用对称指数移动平均滤波算法（s EMA）滤波。针对有换道行为的车辆截取了换道行驶的片段集,并采用Kmeans的聚类方式提取了有效换道轨迹集,使用混合算法标记了换道起始点。再次本文基于以上提取的换道行驶轨迹集,设计了基于贝叶斯优化的XGBoost换道决策算法。对换道决策变量之间的相关性进行了分析,同时分析了换道决策变量对决策行为的贡献度,确定了有效的换道决策变量。建立了决策仿真实验,依据有效的换道决策变量训练了XGBoost换道决策模型,对决策模型的超参数进行了贝叶斯优化。设计了对比验证实验,对比了本文设计的换道决策模型与其他换道决策模型的效果,验证了本文设计的换道决策模型在预测精确率、召回率等指标上均有提升。最后对本文设计的换道决策模型进行特征变量优化,简化了模型的复杂度,提升了模型的泛化能力。最后本文根据决策模型产生的换道指令设计了基于多目标优化的换道参考轨迹规划算法。本文采用五次多项式规划了换道轨迹集,结合换道碰撞检测方法,综合考虑换道过程的舒适性、换道的效率、换道对交通的影响及换道过程的风险程度等指标,设计了评价换道轨迹的价值函数。为了验证规划效果,本文进行了换道轨迹规划的仿真实验,建立了仿真工况,按工况规划了换道轨迹集,以价值函数最小选择了最优换道轨迹。本文还设计了优化实验,优化了各指标在价值函数中所占的权重,优化后各指标和换道轨迹价值函数的值均较小。