当前汽车智能化已经成为学术界和工业界的关注焦点,作为智能车的关键核心技术,智能车辆需要能够准确预测交通场景中周围车辆等障碍物的行为和运动。决策系统基于运动预测结果作出最佳合理决策,从而确保能够规避危险场景,保证安全舒适的乘坐体验。意图和轨迹预测可统称为运动预测,车辆的运动预测就是基于自身历史轨迹信息以及所处交通环境对车辆未来运动进行预测。由于实际驾驶场景往往是复杂多变的,准确的运动预测需要考虑车辆之间的交互作用并对驾驶目标进行建模;此外,智能车辆需要考虑未来交通的演变发展,根据环境信息的变化实时更新运动预测结果。对车辆意图以及运动状态的综合考虑,能显著提高预测可靠性。在开放复杂环境下,如何让车辆具有像人类驾驶员一样的自主预测推理能力已成为当前的研究热点。概率图模型等方法的发展为这个问题的解决提供了有效的技术途径,本文的主要研究内容如下:1.基于动态贝叶斯网络进行意图预测,对换道行为影响因素进行分析,选取其中驾驶行为相关的因素作为预测变量,并考虑变量属性的取值进行了离散化。通过构建三层动态贝叶斯网络,建立了驾驶意图推理模型,对变量间的联合分布进行了表达,从而建模因果依赖关系。将感知到的物理信息作为证据进行驾驶意图推理,通过概率对不确定性进行了刻画。2.将车辆的行为表示为隐藏变量,基于隐马尔可夫模型和高斯混合模型进行车辆行为的识别。考虑未来交通态势的演变,通过前方可行驶空间,舒适性,安全性等评价指标对收益进行了计算,利用最大效用理论对未来行为进行了推理。将两者结合得到最终的意图预测结果。该方法能弥补动态贝叶斯网络无法用于连续变量,解释性差的缺点。采取分块特征提取方法对NGSIM数据集进行数据提取,利用提取得到的数据样本进行模型参数学习。3.基于Frenet框架,以换道持续时间为变量进行轨迹生成,通过以最大侧向加速度和换道持续时间为指标的损失函数,进行最优轨迹的选取并将其向笛卡尔坐标系转换。同时基于车辆当前的运动参数,通过车辆运动学模型进行轨迹预测。将两者结合,得到最终的轨迹预测结果。最终结果表明预测轨迹不仅短期内准确度较高,且长期来看也符合车辆运动模式。