近年来,自动驾驶成为汽车发展的重要方向之一,科技公司、整车厂和科研院校都在大力研究和发展自动驾驶技术,并取得一定成果,但目前在研发过程中仍然面临很多问题,其中自动驾驶换道问题是最难解决问题之一。本文针对自动驾驶换道中出现的比较基础和关键的自动驾驶换道决策问题进行深入研究,提出了基于决策树的自动驾驶换道决策模型。本文的主要研究内容如下:首先,获取车辆换道的数据。通过查阅资料和调查问卷等方式,确定影响车辆换道的主要因素。为了真实反映车辆换道情况,采用实车试验采集数据,通过确定车辆行驶道路场景、人员、设备来获得行驶道路信息、人员操作信息和换道信息,有针对性地采集关于车辆影响因素的数据。其次,提取基于决策树对车辆换道的规则。通过数据筛选、噪声滤波处理、车道线识别等预处理方法,对实车采集后的原始数据进行换道初始和结束时刻的确定,以及换道场景种类的确定。将各种场景下不同的车辆换道因素所对应的换道数据随机分为训练数据和测试数据,使用决策树算法对训练数据进行分类,提取各个场景下车辆换道规则,并用测试数据验证提取规则的可行性和精确度。然后,建立车辆换道模型。根据提取的车辆换道规则,使用层次状态机建立相应的顶层、中间层、底层状态机换道规则库。利用Simulink/Stateflow对车辆换道规则库搭建自动驾驶换道决策模型。利用MATLAB/Simulink搭建输入信号模型、整车控制模型、输出信号模型和触发模型,使这些模型与换道决策模型构成一个完整的车辆换道模型,以便仿真验证自动驾驶换道决策模型的可行性。最后,在虚拟场景下进行换道决策模型仿真和分析。为减少仿真时的误差,利用VTD软件按照采集数据时场景搭建仿真交通场景,并在仿真场景中配置实验车辆的相关参数。将通过MATLAB/Simulink所搭建的换道模型与VTD软件所搭建的仿真交通场景进行联合仿真实验,得到换道车辆仿真过程中的车辆参数变化图、仿真俯视图和视觉场景图,并进行综合分析。实验结果验证了基于决策树所建立的自动驾驶换道决策模型的可行性。