智能汽车因环保、高效、节能等优点成为了传统车辆的发展方向之一。智能汽车的创新发展也已经上升到国家战略层面,旨在建立安全、高效、绿色、文明的智能汽车强国。决策系统作为智能汽车的上层系统,直接影响车辆在行驶中的安全。然而,现有的决策方法仍然存在一些问题,特别是在换道工况中,交通参与者较多,各个车辆相互影响,增加了工况的复杂性。如果只考虑换道车辆,则缺少对整个交通运行趋势的把握,与其他交通参与者的交互较少,容易误判整个交通走向。换道过程的冲突性较强,但时间持续较短,如何在复杂多样的交通环境中做出高效准确的决策,就显得尤为重要。换道行为是车辆与周围环境进行动态交互的结果。智能汽车的交互通常利用传感器或通信方式来获得信息,该类信息可以表征当前交通运行状态,但是无法直接获取交通运行的趋势和周围车辆的意图。由此本文将交互性与交通运行趋势相结合,通过预测模块的加入,提出一种基于预测修正的换道博弈决策方法。利用博弈论来解决车辆换道决策的交互问题,通过预测模块将车辆的意图加入到交互过程中,形成双层结构。既保证了车辆间的交互性,也能对不同交通运行趋势做出不同的调整。首先,针对上述智能汽车换道决策缺乏与周围车辆进行交互的问题,设计了一个基于博弈论的换道决策模型。将换道过程分为产生换道意图、判断换道可行性、建立决策模型和执行换道过程。利用博弈论解决冲突问题的优势对换道决策过程进行建模分析,将换道冲突车辆的交互考虑在内,利用博弈矩阵,突出车辆间的相互影响,解决换道决策过程中的复杂交互问题。其次,针对换道决策模型缺少对各种交通运行趋势的考虑,提出一种基于预测修正的博弈换道方法。将整个车辆运行的趋势纳入交互问题中,将交通车辆运行趋势作为预测修正模块加入到收益矩阵中,通过对收益矩阵的修正来影响最终决策,这样既考虑了车辆的交互性,也突出了对不同交通趋势的灵活调整。同时还增强了博弈换道决策的交互性,减少决策在临界位置的失误,改进了博弈换道对各种交通情况的适应性。然后,针对车辆意图预测在横纵方向上的耦合性问题,提出一种博弈冲突的意图解耦预测方法。结合博弈换道工况,将主要换道冲突分为横向冲突和纵向冲突。在换道过程中突出考虑主要冲突,分别采用NARX神经网络和GMMHMM来预测车辆的纵向和横向意图,实现对车辆横纵向意图预测的解耦。最后为了解决模型参数的标定和模型训练问题,采用NGSIM数据库中车辆轨迹数据,对NARX神经网络和GMM-HMM模型进行参数训练。针对该数据库,设计了对车道保持、单车换道以及典型换道工况的轨迹提取规则,并利用提取的典型换道工况数据对收益矩阵的参数进行校正。通过对以上内容的研究与探索,完成了对换道过程中交互问题的建模,并通过预测模块增加了模型的交互性和灵活性,使其可以适应不同运行趋势的换道环境。在MATLAB中将整套决策算法编程实现,设计多种工况,与传统博弈换道方法进行对比,提高了博弈换道决策的交互性,修正了部分临界位置的决策,验证了决策算法的有效性和合理性。