作为智能汽车系统的“大脑”,驾驶决策模块依赖于环境感知系统所获取的信息的质量,并需要对感知的结果进行准确地综合认知,从而做出合理的决策。然而,环境感知系统具有不确定性,可能造成感知的信息不完备或者不可靠。同时,在利用感知的信息进行综合认知时,若是忽略了交通参与者驾驶行为的不确定性,也可能导致不合时宜的决策。另外,在动态交通环境中,车辆与其周围的交通参与者之间的行为决策具有交互性影响。因此,本文分别针对感知的不确定性、交通参与者驾驶行为的不确定性、交通环境的交互性,从行车态势评估、容错感知、周车驾驶意图识别、交互性行为决策这四个方面对动态交通环境下智能车辆的决策和控制展开了研究。具体工作内容包括:1.针对基于行车安全场理论的态势评估方法对动态交通环境不确定性考虑不足的问题,提出了一种考虑不确定性的广义行车态势评估体系。在该体系的态势评估层中,首先针对感知不确定性和交通参与者驾驶行为不确定性,结合传感器容错感知模块的输出、周车驾驶意图识别模块的识别结果,对自车周围六个区域的潜在行车安全场场力进行分区域计算。其次,针对态势评估这一概念的不确定性,基于正向高斯云模型,将计算出的场力转换为行车危险态势、舒适态势、空闲态势三个概念指标下的确定度。然后,针对不同驾驶行为模式,基于层次分析法确定各区域子态势确定度的权重系数,进而计算得到不同驾驶模式下的综合行车态势。最后通过仿真试验验证了考虑不确定性的广义行车态势评估体系能够对潜在行车态势做出准确且全面的评估,为后续智能车的行为决策奠定了良好的基础。2.针对车载毫米波雷达在信号采集和传输过程中的感知不确定性问题,提出了一种考虑毫米波雷达故障的ACC系统主动容错感知与控制方法。首先,在毫米波雷达的容错感知模块中基于四阶Sage-Husa自适应卡尔曼滤波算法对周围车辆的运动状态进行估计,并对雷达故障进行容错识别。其次,将传感器故障视为离散事件,建立了ACC上层控制系统的混合逻辑动态模型。接着,结合模型预测控制算法与该混合逻辑动态模型,建立了ACC系统的主动容错控制模型。最后,通过仿真实验验证了所提方法能够实现在不增加其他冗余环境感知设备的前提下智能汽车ACC系统的主动容错感知和控制,具有重要的实际应用价值。此外,所提方法还可方便地移植到其他ADAS中,其中毫米波雷达容错感知模块也被应用于行车态势评估体系中。3.针对交通参与车辆驾驶行为的不确定性,在不考虑车联网（Io V）的前提下,提出了一种基于自适应多维连续高斯隐马尔可夫模型的不同驾驶风格周车动态驾驶意图识别方法。考虑到周围车辆驾驶人的驾驶风格有所差异,同时由于提取到的周围车辆的换道数据样本是一系列长度不一的多维时间序列,首先采用一种基于特征的多维时间序列聚类算法来对车辆换道数据样本进行聚类,并将聚类结果作为意图识别模型的输入。并利用多目标粒子群算法对影响模型识别精度的参数进行优化,实现了该方法的自适应性。然后,使用NGSIM数据集训练和测试了所提驾驶意图识别模型。最后,通过仿真实验验证了所提方法能够提前识别出周车的驾驶意图及驾驶风格,并具有较高的准确性,使自车能够应对周围车辆的驾驶行为不确定性,对保障自车的安全稳定驾驶具有重要意义。此外,本章所提方法也被应用于行车态势评估体系中。4.针对动态交通环境中车辆之间的交互性行为决策问题,提出了一种基于非合作不完全信息动态博弈的智能汽车交互性驾驶行为决策模型。基于驾驶风格对博弈的序贯行动顺序进行了规定,结合本文所提出的考虑不确定性的行车态势评估体系的态势评估结果,设计了非合作动态博弈的多目标决策收益函数,并求解博弈的序贯均衡。其次,为了对所提决策模型进行闭环仿真实验,采用基于Frenet坐标系的智能汽车轨迹规划方法对车辆的局部轨迹进行规划,并基于模型预测控制算法对规划的轨迹进行跟踪。最后,在matlab自动驾驶仿真平台中对所提出的智能汽车交互性驾驶行为决策博弈模型进行了仿真试验。仿真结果表明,基于不完全信息非合作动态博弈的智能汽车驾驶行为决策模型能够充分考虑交通参与车辆之间的交互性,以及各自驾驶风格对行为决策结果的影响,对提高智能汽车决策的灵活性具有重要意义。