相邻前车的切入行为会对后车的行驶安全产生较大的影响,容易导致侧向碰撞或追尾等事故。由于前车切入行为具有突发性,而国内转向灯开启率普遍较低,现有的驾驶辅助系统（ADAS）在前车切入场景中又存在预警准确率低和预警不及时的问题。因此,本文依托国家重点研发计划:新型多功能智能车载终端研制及应用（2018YFB1600701）,通过驾驶模拟数据对前车换道行为进行深入研究,提出一种基于前车换道意图识别与车车通信的汽车防撞预警模型,以便为本车提供及时有效的预警。首先,搭建基于驾驶模拟器的数据采集实验平台,采集换道过程中驾驶人的操作信息和车辆自身的动态参数,建立换道驾驶意图数据库。以滑动时窗法捕获到的特征驾驶数据作为输入,建立基于Bi-LSTM的换道意图识别模型,对左换道、车道保持及右换道意图进行识别。在数据集上对模型进行训练和测试,实验结果表明,相比于BP和LSTM网络模型,基于Bi-LSTM的识别模型具有更高的准确性,且满足实时性要求。其次,对换道轨迹数据进行提取,并分析换道轨迹预测的影响因素,为轨迹预测的表征参数选取提供依据。此外,鉴于换道轨迹具有时间序列性,以及深度学习具有特征提取能力强的特点,确定采用GRU神经网络模型对换道轨迹进行预测。利用MAE和MSE评价指标对轨迹预测的准确性进行评估,实验结果表明,对比其他神经网络模型,本文模型的预测轨迹与实际轨迹之间的误差更小。然后,分析相邻前车换道切入工况,提出了面向车车通信的防撞预警模型整体框架。本车通过车车通信获得前车换道切入意图之后,对前车换道轨迹进行预测,并根据本车动态信息,采用包围盒理论和分离轴定理对两车潜在的碰撞进行检测,建立碰撞时间TTC-S的计算方法对车辆的危险状态进行评估。在对避险时间TTA进行分析和计算之后,综合TTC-S、TTA及驾驶人反应时间,设计了分级预警策略。最后,针对前车换道切入本车车道的工况设计仿真场景,搭建了基于双驾驶模拟器的仿真实验平台,使前车和本车均为真实驾驶人操控,并分别对本文预警模型和传统TTC预警模型进行了仿真验证。实验结果表明,一方面,本文防撞预警模型能够准确地发现前车的换道意图,并通过轨迹预测与碰撞检测,给出及时的预警信号;另一方面,与传统预警模型相比,本文防撞预警模型的预警成功率更高,且预警时间提前。