在过去的30年，用于城市地面交通工具中自动驾驶技术的开发已经得到了飞速的发展。目前，现代自主驾驶车辆已具备一定感知车辆周围环境的能力，比如根椐分类所分析对象的类型并进行检测；观测周身环境的变化并评估对象的移动可能性；在遵循交通法规的基础之上对复杂的交通现状进行车辆路径规划并分析障碍物的移动方向等。在这些复杂的情况下，这种自主导航能力是建立在很多学科(例如：计算机学、电子工程学、机器人技术和控制学等)的基础之上跨越并结合之后研发的。　　在过去的30年，用于城市地面交通工具中自动驾驶技术的开发已经得到了飞速的发展。目前，现代自主驾驶车辆已具备一定感知车辆周围环境的能力，比如根椐分类所分析对象的类型并进行检测；观测周身环境的变化并评估对象的移动可能性；在遵循交通法规的基础之上对复杂的交通现状进行车辆路径规划并分析障碍物的移动方向等。在这些复杂的情况下，这种自主导航能力是建立在很多学科(例如：计算机学、电子工程学、机器人技术和控制学等)的基础之上跨越并结合之后研发的。　　本学位论文对自主车辆系统所包含很多重叠和整合系统及技术知识进行了探讨，并对从摄像机镜头捕捉到的图像以及对于车辆位置、车辆性质种类、不同物体的速度及来自从各种传感器如GPS、雷达、相机、和其他人对车辆周围的危险指数分析并对相关数据资料加以分析和总结。值得说明的是对所研究对象来判断并得出详细描述他们的内容研究(比如根椐他们的外部形象特征来将其归类)不在本论文的范围内。　　首先设计或规划得出描述每个对象的N个特征向量等数据，每个特征向量包含的数据描述如下：　　(1)对象属性(比如汽车、人群、树木、障碍物等等)。　　(2)测试车辆和物体之间的距离以[以(x，y)坐标轴的方式描述与计算]。　　(3)运动客体的相对移动方向[以(x，y)坐标轴的方式描述与计算]。　　(4)行驶车辆的当前速度。　　行驶环境范围内，车辆与每个物体之间计算得出的时间值可能会有冲突，这是证明风险的关键点。基于可能存在的碰撞时间标准，每个对象都是通过使用不同的分类技术风险和危险水平来排序。目前这些技术具体包含：K最近邻群集算法(KNN)、神经网络(NN)、支持向量机(SVM)等。相比较之下，K-means算法经研究被验证为最适用于本文所描述数据集的最好方法。　　然后，研究如何处理那些仅使用单项输入模式可能无法实现的、并从多个特征向量中为了提高准确性和更具体推论规则和推理的数据融合系统相结合的数据，以及为了给予一个正确精准的决策而需要对n向量操控和整合等方面的问题。　　为了计算给出一个正确的决策信息，针对一个由F个自定义的特征组成向量，并结合N个采集对象特征向量，然后融合集成所有必需的数据集。在此研究背景的框架下，提出了两种不同的融合算法：　　A)基于车辆相对位置的决策级数据融合[最高风险从(左，右和前面，后面)]。　　B)基于对象特征属性的数据融合[风险最高的(汽车、人力、交通信号灯、和障碍]。　　并且，在此基础上详细比较了这两个方法。同时在决策阶段时依据输入的特性选用其中之一方法，以便得到较好的决策结果。　　最后，介绍了提出的模糊逻辑控制系统，用于解决不确定性的考虑多个选择的问题，一种合适的模糊逻辑决策算法。该算法的思想是依据不同行为特征选择导致的有关车辆位置等不同距离特征的影响，并以计算得出的汽车碰撞时间进行测试。不同距离特征会影响所需计算的汽车碰撞时间，这个运算法则始于那些行为被选择，而后执行“并”的法则完成和遵循。　　系统描述了汽车自主行驶决策的各种工况，包括每个“仅在前”，“仅在后”，“仅在左”，“仅在右”等方向的工况下车辆对象可能产生事故的原因。　　由于本文方法具备了提示正确的方向转向和适当的速度来避免碰撞的能力，这项研究结果将进一步提高影响车辆驾驶人和自主驾驶代理未来的自主驾驶决策和辨识能力。