城区动态环境下智能车辆需要与其他车辆协作行驶,理解其他车辆的驾驶意图并表现出合理的驾驶行为。与之相对应的行为决策能力很大程度上决定了智能车辆的行驶性能。本课题以国家自然科学基金重点项目“城区真实交通环境无人驾驶车辆关键技术与平台研究”(91420203)为依托,研究城区动态环境下的智能车辆行为决策问题,针对车道行驶以及无信号灯十字交叉口两大典型场景展开研究。针对行为决策问题,提出了基于有限状态机(FSM)与部分可观测马尔科夫过程(POMDP)的行为决策模型,将复杂的智能车辆行为决策问题分解为基于FSM的横向决策问题与基于POMDP的纵向决策问题。基于FSM的横向决策模型将智能车辆的行驶过程限定为有限种驾驶行为,并通过加入换道准备这一特殊驾驶行为,将理论模型与真实环境相匹配。基于POMDP的纵向决策模型考虑了交通场景中其他车辆驾驶意图的不确定性,生成加减速等速度决策指令。在此框架下,智能车辆主要依靠速度调整与交通场景中其他车辆协作行驶,所表现出的驾驶行为是稳定且可预测的。针对模型求解问题,建立了基于策略生成-策略选择的求解机制,通过简化候选策略生成过程和状态转移模型以降低搜索空间,并结合多目标决策评价模型对横纵向决策问题进行求解。在模型求解过程中,存在其他车辆驾驶行为识别、交通场景预测以及多目标决策评价函数制定三大问题。针对其他车辆驾驶行为识别问题,将其他车辆的驾驶行为分解为车道行驶下的换道与车道保持和路口区域中左转、右转、直行、停车等横向驾驶行为,以及加速、减速、匀速行驶等纵向驾驶行为。由于驾驶行为识别的目的是应用于行为决策系统,选取了智能车辆可观测的状态量(例如速度、航向角等)作为驾驶行为识别模型的输入,针对横向驾驶行为识别问题,建立了基于高斯混合隐马尔科夫模型与随机森林模型的机器学习分类器,并验证了模型的准确性。针对交通场景预测问题。在横向驾驶行为识别模型基础上,基于高斯混合隐马尔科夫模型,分别针对车道行驶以及无信号灯十字交叉口场景建立了纵向驾驶意图识别模型。考虑行驶舒适性约束、智能车辆候选横纵向策略以及当前横向决策状态,建立了交通场景中其他车辆的驾驶行为预测模型,预测给定周期内整个交通场景的演化情况。针对多目标决策评价函数制定问题,考虑车辆特性,从安全性、经济性、舒适性、时效性、法律法规以及任务完成情况六方面建立了易于理解的评价指标。提出了基于权重分配的多目标优化模型。针对权重系数选择问题,建立了基于投票的权重系数选择机制,权重系数既可以由智能车辆乘客设置,又可以通过投票的方式,基于有经验驾驶员的驾驶数据拟合得到。基于PreScan仿真软件,建立了智能车辆仿真系统,进行了车道行驶以及无信号灯十字交叉口两个场景下的行为决策仿真实验。结果显示,该方法可以使智能车辆与交通场景中其他车辆有效协作行驶。基于比亚迪智能车辆平台,在北京市三环道路上进行了自动驾驶实车测试,对行为决策模型进行了验证。