自动驾驶车辆近些年来逐渐成为热点话题,许多高校、传统车企和互联网企业纷纷展开研究,且已经发展到一定水平,但若想真正的实现在真实城区道路上行驶,仍有许多问题需要解决。为使自动驾驶车辆能够在城区道路环境中自如行驶,本文针对自动驾驶车辆在城市交通环境中的行为决策问题展开了深入的研究。针对城区道路环境中换道行为,提出了基于驾驶员换道经验的自动驾驶车辆换道决策模型。为模仿驾驶员决策过程,提出了类人的自动驾驶车辆的直觉决策方法。首先基于离线学习,使自动驾驶车辆具有人类驾驶员的驾驶经验,再利用在线学习,使自动驾驶车辆在线学习驾驶员经验,从而模拟人类驾驶员行驶过程中经验积累的过程。然而由于时间有限,本文仅针对直觉决策模型中离线学习部分展开了深入的研究。本文针对换道场景,提出了基于驾驶员经验的自动驾驶车辆换道决策模型,基于粗糙集神经网络融合算法提取驾驶员换道规则,在使用粗糙集对驾驶员换道数据进行规则提取的过程中,使用人工神经网络算法保证规则提取结果的一致性。规则提取完成后,使用分层状态机方法建立分层换道规则库,将驾驶员规则应用于自动驾驶决策模型中,运用Prescan和Simulink/Stateflow实现城区道路环境换道联合仿真,仿真结果表明,该方法可以使自动驾驶车辆在车流中进行安全的换道,验证了规则的有效性。同时,为了验证自动驾驶车辆换道决策模型在真实城区道路环境中的可行性,首先使用V-rep和Visual Studio进行联合仿真来验证换道决策算法的安全性,之后基于北京理工大学智能车辆研究所比亚迪自动驾驶车辆在北京市三环道路上进行测试。实验结果说明通过本文所建立的决策模型,自动驾驶车辆可以在城区道路环境中安全换道。最后对自动驾驶车辆换道决策模型的类人性进行了分析,分析结果表明本文所建立的自动驾驶车辆换道决策模型与人类驾驶员决策较相似,离线学习驾驶员经验的效果较好。