自动驾驶技术具有大幅提升交通运输安全性、舒适性和效率的潜力,已经成为时下的研究热点。随着交通场景复杂度的提升,自动驾驶车辆需要更加智能的决策和规划系统来避免交通事故。考虑到决策和规划系统需要获取周车的未来轨迹来评估行车风险,这使得车辆轨迹预测模块逐渐成为自动驾驶汽车功能架构中的重要组成部分。车辆轨迹预测模块以周围交通参与者的历史状态以及结构化道路交通规则等环境信息作为输入,通过数据推理和模型递归等方式估计车辆未来状态,规避高风险车辆给主车带来的安全行驶问题,其精度和稳定性对于提升自动驾驶技术安全性至关重要。车辆的运动行为会受到交通环境信息的影响,使得车辆未来运动状态具有很高的不确定性。导致这种不确定性的因素主要来自两个方面:一是车辆的运动行为会受到周围交通参与者运动状态影响,如何在考虑周围车辆互相影响的基础上,对车辆未来的轨迹做出正确的预测;二是结构化道路交通规则等信息也会影响车辆的未来运动状态,如何在对车辆未来轨迹进行预测时,充分考虑交通信息对车辆未来运动状态的限制与引导。针对以上问题,本文展开了对车辆轨迹预测算法的研究:针对车辆受周围交通参与者运动状态影响导致的预测不确定性问题,本文利用生成对抗网络对车辆轨迹进行预测。首先,考虑到车辆的历史运动状态时域较长,而长短时记忆网络在序列特征提取方面具有独特优势,利用长短时记忆网络获取车辆的历史运动特征;其次,考虑到附近的交通参与者对目标车辆影响程度的不同,依据交通参与者与目标车辆的空间距离定义上下文交通参与者,利用空间注意力机制量化上下文交通参与者对目标车辆的影响,进而融合交通参与者之间的交互信息;然后,将融合后的运动特征作为输入,借助长短时记忆网络对车辆未来轨迹进行预测,利用生成对抗网络中的预测轨迹判别网络对轨迹进行判别和优化;最后,使用轨迹预测数据集对预测模型进行了验证和分析,结果验证了本文提出的车辆轨迹预测模型的准确性和合理性。针对车辆受结构化道路交通规则等信息影响导致的预测不确定性问题,本文提出了融合地图信息的生成对抗网络车辆轨迹预测方法。目前基于生成对抗网络的车辆轨迹预测方法,大多不以地图信息为先验条件,本文将矢量化地图信息融入到生成对抗网络中。首先,建立矢量化地图拓扑关系的图表示方法,运用图卷积网络提取道路特征,扩展图卷积算子提高远距离预测准确性;然后,扩展空间注意力模型,进一步融合运动特征和道路特征,使环境约束参与到预测中;此外,考虑到预测算法的实时性要求,设计特征金字塔网络提取车辆的多尺度运动特征,降低了预测算法的时间复杂度;最后,利用轨迹预测数据集对模型进行验证和分析,结果表明,融合道路信息后,车辆轨迹预测模型的准确性有显著提升,远距离预测结果更合乎于交通规则。针对以上两种车辆轨迹预测模型,在多种工况下进行实验验证,对预测模型在各工况下进行预测误差的定量分析和多模态预测轨迹的定性分析。结果表明,本文提出的车辆轨迹预测模型能够准确预测车辆的多种运动模式。