智能汽车作为国内外争相研究的热点,由于交通环境的复杂性、技术的可靠性以及法律法规等条件的约束,在未来很长一段时间内仍需要人和机器共同完成动态驾驶任务,称之为人机共驾。目前,人机共驾面临的挑战在于如何解决低级别自动驾驶的个性化人机交互和中高级别自动驾驶的复杂环境适应性问题。因此,通过学习人类驾驶员的偏好及优秀的驾驶经验,对于提高智能汽车市场接受度和适用性具有重要意义。论文基于智能汽车人机共驾的发展现状,重点以车辆横向控制过程为研究对象,从信息物理系统（Cyber Physical Systems,CPS）的视角出发,通过机理建模和数据驱动建模分别对驾驶员转向行为进行刻画,将机理的显性知识与数据蕴含的隐形知识进行融合,得到驾驶员信息物理模型;在此基础上,从个性化程度和任务复杂度两个维度,分别基于在线学习和深度强化学习提出类人的信息物理控制策略。具体来说,论文的研究工作主要包括以下几个方面:（1）考虑驾驶人操作的间歇特性,将仿人智能控制（Human-Simulated Intelligent Control,HSIC）思想引入驾驶员横向驾驶行为建模,从控制机制上提出一种模仿人的多模式控制方案。其中前馈控制用于道路曲率跟踪,“执行-保持”（Act-and-wait）控制用以间歇性误差纠正。基于驾驶模拟器的对比实验表明,提出的基于HSIC的车道保持控制模型与熟练驾驶员的表现匹配度高,同时由于类人特性,能有效降低计算成本和执行器负荷。（2）为了进一步复制熟练驾驶员的转向操作,在成果（1）的基础上提出了一种新的车道保持驾驶员模型。其中起主导作用的前馈控制器是一个基于深度卷积模糊系统（Deep Convolutional Fuzzy System,DCFS）的数据驱动模型,此外监督反馈控制器只在系统状态超出设定值时工作,用以保证闭环系统的稳定性。在Pre Scan和Car Sim联合仿真平台上的对比实验结果表明,提出的驾驶员模型的表现与熟练驾驶员具有更好的匹配度。（3）针对自动驾驶系统与人类驾驶风格差异带来的乘坐舒适性下降的问题,在探索了驾驶人行为建模的基础上,进一步研究个性化驾驶控制方法。基于深度卷积模糊系统建立一般性的自动驾驶模型并设计了在线驾驶偏好学习算法。为了验证该方法的有效性,将该方法应用于车道保持场景,设计了个性化车道保持控制器（PLKC）,并通过监督控制保证系统的稳定性。15名志愿者参与了实验验证,结果表明PLKC对固定和时变的横向驾驶偏好具有一定的在线学习能力。（4）针对无保护交叉口左转和直行车辆相向而行的复杂交通场景（LTAP/OD）,提出一种基于可解释性深度强化学习的自动驾驶无保护左转弯控制方法。30名志愿者参与的驾驶模拟器实验表明,类人的无保护左转弯驾驶策略有效地避免了“车辆对峙”,一定程度上实现了自动驾驶车辆在复杂场景下通行效率和安全性之间的平衡。综上,研究成果既可为自动驾驶汽车整体性能优化提供理论指导,又可为CPS的理论发展和应用提供参考和借鉴。