随着汽车数量的增加,道路安全问题受到人们的广泛关注。虽然传统的汽车安全控制系统在一定程度上能够改善汽车行驶安全性,但由于这类系统一般不考虑汽车行驶过程中人和环境的因素,其作用仍然十分有限。自动驾驶汽车的概念从被提出来已经过去了 10年,部分产品已经投入使用,但是道路环境错综复杂,自动驾驶汽车在行驶过程中难免会与其他车辆产生交互,而如何分析和预测这些因素,正是研究自动驾驶车辆的挑战。本文研究内容如下:(1)提出将社会生成对抗网络应用于车辆轨迹预测。近年来,生成对抗网络在行人轨迹预测领域取得了不错的成就,由此启发本文将其引入到车辆轨迹预测领域。通过LSTM网络提取车辆隐藏特征,再经过池化模块计算目标与周围车辆之间的相对位置信息。借助生成对抗网络结构特点,进行全局联合训练。误差反向传播,从而获得各层合理的网络参数,解码层利用已获取的上下文信息生成预测轨迹。实验在自动驾驶数据集上进行,证明了社会生成对抗网络在车辆轨迹预测领域应用的可行性。(2)针对社会生成对抗网络车辆间交互特征简单,没有考虑驾驶员自身行为对车辆轨迹的影响,本文提出了一种基于S-GAN的换道行为识别及轨迹预测方法。将意图识别模块提取的换道行为特征与车辆相对位置特征相连接,作为解码层的输入,生成预测轨迹。通过多个数据集的对比实验,证明了本文的方法在准确率、和实时性方面优于现有的方法。(3)针对本文提出的方法,进行超参数对比实验,实验分析了超参数对模型性能的影响。另外,还设计实现了车辆轨迹预测对比实验系统,高效、直观的对比不同数据集和不同算法模型之间的性能。