由于全面的车辆无人化为时尚远,在未来相当长的一段时间内,道路交通会处于有人驾驶车辆与无人驾驶的智能车辆同时行驶的过程。在这个阶段,智能车辆在有多条车道且多辆周围车辆参与的道路上行驶时,会面临周围交通环境的复杂性与不确定性,在这种环境下进行换道动作时,面临着较大的碰撞风险,形成了对轨迹规划算法更高的安全性与可靠性要求。因此,针对结构化道路的多车交通环境,开展换道风险预测与轨迹规划方法研究,具有重要的意义。预测换道行为的风险首先要对换道轨迹建立客观合理的风险量化方法。基于交通冲突理论,将换道过程按三阶段划分,分阶段分析了车辆换道过程的潜在冲突风险。基于停车距离指数与损失能量指数,并结合故障树分析法,推导建立了同时考虑风险暴露水平和风险严重程度的综合轨迹风险量化方法。通过开源的自然驾驶数据,对综合轨迹风险量化方法进行应用分析,验证了该方法的合理性与客观性。考虑换道风险的长时域预测需求,基于LSTM神经网络搭建旁车轨迹预测模型。针对不同位置旁车的纵向运动特性,采取数据分类与模型细分的方式,选择更符合驾驶员操纵意图的纵向速度和横向位移作为模型的输出特征,进行轨迹模型的训练,实现了精度更高、鲁棒性更优的旁车轨迹预测效果。选用具有最优舒适性的五次多项式模型,设计考虑预测风险的换道轨迹规划方法。基于轨迹模型生成的备选车道采样轨迹,提出了通过计算样本轨迹风险均值的目标车道决策方法。从碰撞可行性、运动学可行性和稳定性可行性三个方面建立轨迹可行性筛选标准;推导综合考虑换道效率、风险性和舒适性的损失项,构建了轨迹评价函数,进行最优轨迹的筛选,实现多车环境下的安全换道,并同时保持较好的舒适性。采集真实场景数据,并搭建Simulink和Carsim联合仿真平台,在城市快速路与高速公路两种实际场景下实现了考虑预测风险的换道轨迹规划功能的仿真验证。结果表明,换道轨迹规划方法能在真实的多车环境中,有效实现目标车道的类人决策以及车辆的安全换道轨迹规划,并且车辆在执行换道过程中,满足稳定性、舒适性要求。