随着电动汽车、人工智能、传感器技术、5G通信等新技术的不断发展,智能网联汽车将成为“中国制造2025”、“互联网+”等重大国家发展战略中的重要支柱。决策规划系统作为自动驾驶车辆的核心系统之一,担负着引导车辆安全、高效地通过各种复杂路段,也因此决定了自动驾驶的智能化程度。根据科技部国家重点研发计划“电动自动驾驶汽车关键技术研究及示范运行”,本文对非交叉道路中自动驾驶车辆的决策规划算法进行研究,通过机器学习对决策系统进行建模,规划系统根据决策结果进行路径和速度的规划,从而使车辆能够快速选择合适的目标车道并规划出安全、合法、舒适的轨迹。本文首先处理公共自动驾驶数据集——Next Generation SIMulation（NGSIM）,并将处理后的数据作为决策网络的原始数据,接着对原始数据进行清洗,主要包括数据预处理、决策场景提取和数据生成三个过程,使其满足网络输入格式的要求。其次,在Prescan仿真过程中,仿真传感器的数据也需要经过算法的处理才能输入到决策网络中进行决策,其中包括使用激光雷达进行目标检测、使用毫米波雷达对环境车的运动信息进行提取等。决策网络的输入数据准备好后,接下来将使用这些数据做出决策并规划出合理的路径。决策系统主要采用了基于全连接前馈神经网络的决策系统、基于循环神经网络的决策系统和基于自动机器学习的决策系统三种方式,根据每种模型的特点选择合适的网络参数和训练参数进行训练,通过比较三种不同网络在数据集上的表现,选取最优的网络作为决策模型。运动规划算法首先根据决策结果中的目标车道,使用RRT*算法规划一条路径,如果在规定的时间内规划失败,则保持当前车道行驶,如果规划成功,则根据规划的路径进行轨迹平滑和速度规划。轨迹平滑和速度规划都将采用优化的方式,分别设置等式和不等式约束,并选择相应的优化目标函数进行优化,为保证轨迹和速度的连续性并简化计算,轨迹和速度方程都使用三次多项式来表示。最后,本文搭建了基于ROS和Prescan的联合仿真环境,在动态验证之前,先选择最优的决策网络,并验证了运动规划算法的有效性,接着进行三种动态工况的仿真,最终的结果体现了本文决策规划算法有效性。