车道保持和换道是车辆驾驶中的两种常见驾驶行为。研究车道保持行为的根本目的是为了控制车辆的行驶方向,使车辆自动行驶在当前车道上,进而减轻驾驶员的操纵负担,提高驾驶安全性与舒适性。而研究换道行为的目的在于使车辆在具体驾驶场景中(特别是当车流量较大且出现频繁换道时)能够合理有序的做出换道决策和换道执行,从而舒缓交通流运行状态,提高道路通行能力,并在一定程度上缓解交通拥堵。智能车与传统汽车的不同之处在于其具有环境感知、规划与决策以及运动控制的功能,能够以一种智能的方式执行预期的驾驶行为。智能车的车道保持和换道行为的建模分析与研究,在自适应巡航控制、智能辅助驾驶和自动驾驶等领域有着广泛的应用价值。传统的车道保持模型和换道模型大多基于规则而设计,这存在两个问题。一方面驾驶场景往往比较复杂,传统模型很难将各种情形完全考虑在内。另一方面,传统的车道保持模型和换道模型并没有考虑到驾驶员的行为习惯,导致模型难以有效反映驾驶员的感知、决策和执行等一系列心理和生理活动的不一致性和不确定性。基于学习的车道保持和换道模型由于是数据驱动的,模型可以自我探索到潜藏在数据中的特征规律,进而利用提取的特征规律驱动车辆执行预期的驾驶行为。本文从数据驱动的角度出发,采用基于学习的方法,对智能车在高速公路上的车道保持与换道行为展开了研究。具体研究内容如下:第一,研究基于学习的车道保持。针对双车道的简单驾驶场景,设计一种基于端到端深度学习的车道保持模型,在人工采集的大批量数据样本上进行有效性评估,并采用可视化方法提高模型的可解释性。另外,在端到端深度学习基础上,采用数据聚集算法,设计一种基于模仿学习的车道保持模型。该模型利用与环境交互所产生专家示例样本辅助车辆完成车道保持任务。第二,研究基于学习的换道决策。针对包含多车和多车道的复杂驾驶场景,采用不同机器学习方法(支持向量机、多层感知器网络以及集成学习中的随机森林和梯度上升决策树)建立自主换道决策模型,并从准确率、精确率、召回率、F1度量、AUC以及Kappa系数六项检验指标上对模型的预测结果进行综合比较。第三,研究基于学习的换道执行。针对包含多车和双车道的驾驶场景,考虑车辆的整个换道执行过程满足时间依赖性,设计一种基于长短时记忆网络的换道执行模型,用于预测车辆换道执行时的运动轨迹,并与多层感知器网络的换道执行预测结果进行比较分析。