周围交通参与者行驶轨迹的准确预测是自动驾驶汽车进行自主决策的基础。现有研究多从单车驾驶行为出发,依赖线性递推进行轨迹预测,仅适用于稀疏交通场景,且不能嵌入道路几何结构信息。当交通流更加密集时,多车群体中冲突博弈行为频繁、交互关系强烈,现有方法在该场景中的准确度随预测时域增长而急剧下降。本课题以周车轨迹预测为主题,通过引入结构化循环神经网络解决周车群体间博弈交互关系建模难题,设计了典型道路交通元素的关键特征提取方法,提出了周车轨迹的群体交互式预测算法,实现高速公路密集交通场景下多周车、长时域、高精度的轨迹预测。首先,针对道路交通元素形式多样、差异较大的问题,设计典型道路交通元素的描述方法,提取用于轨迹预测的通用性特征,避免脱离道路结构进行轨迹预测,提高预测模型的泛用性。设计道路结构、障碍物等典型交通要素的网格数值化规则,定义5种不同精细程度的二维矩阵形式的场景地图与基于碰撞风险的赋值规则。构建用于特征提取的深度卷积神经网络,其中前4层卷积-池化层用于提取交通元素的时空特征,后5层全连接层用于进一步挖掘深层特征。其次,针对周车群体间行为冲突强烈、交互频繁的问题,设计群体交互式轨迹预测算法,对多辆周车的时空关系建模,避免单个周车独立进行预测,提高预测轨迹的准确度。根据多车之间的时空关系建立多个长短时记忆单元(LSTM)及两两之间的辐射形连接,得到结构化LSTM单元,建立多车交互关系模型。设计包含全连接层、2层结构化LSTM层的编码器,用于理解历史10秒内周车轨迹以及道路交通场景;设计包含全连接层、2层结构化LSTM层、线性变换层的解码器,用于根据编码器理解结果生成未来5秒内周车轨迹。最后,利用高速公路场景的NGSIM数据集,验证该交互式轨迹预测方法的有效性。首先对数据集进行预处理,包括轨迹切分、周车编号匹配、数据平滑滤波等,获得59597段样本(每段约15秒),然后利用Python+Tensor Flow编程实现算法代码,结合GPU计算平台实现模型的加速训练。结果表明:高速公路的密集交通流场景下,对于2种驾驶行为模式、3种周车类型,5秒处的预测误差横向小于0.31米、纵向小于1.93米,优于常用的Single-LSTM、Dual-LSTM、Seq2seq等方法。