随着计算机科学和机器人技术的发展,无人驾驶车辆在军事、民用和科学研究等诸多方面得到了广泛的应用,它集中了结构学、电子学、控制论和人工智能等多学科的最新研究成果,具有广阔的应用前景。对于无人驾驶车辆来说,智能决策是其关键组成部分,是研究的热点之一。在城区环境中,由于驾驶场景复杂多变,交通参与者的行为难以预测,无法采用一个标准、统一的决策模型进行描述。为了解决城区复杂环境下无人驾驶车辆的决策、规划问题,本文通过学习人类驾驶员复杂场景下的决策过程,提出了一种新的驾驶行为决策模型的建立方法,并在此基础上,完成了无人车的运动规划。具体的研究内容如下所示：1)介绍了无人驾驶车辆的研究意义,了解了无人驾驶车辆的国内外研究现状,调研了移动机器人智能决策及运动规划方法,分析比较了国外无人驾驶车辆决策系统的实现方式,对城市典型交通状况进行了描述和总结。基于驾驶员的任务需求以及其对车辆的决策过程及行为方式,提出了无人驾驶车辆在城市道路中进行决策规划的关键问题,明确了决策系统的设计准则。随后介绍了“智能先锋Ⅱ”无人驾驶车辆平台的各个组成模块,阐述了平台的工作原理及协作方式。基于决策系统时间和空间上的多分辨率的特点,设计了三层模块化决策系统框架,满足决策系统的实时性、自适应性和鲁棒性要求。2)针对不同的驾驶环境及人类驾驶员的驾驶行为特征,采用层次有限状态机的方法建立城区环境下无人驾驶车辆行为决策模块。对驾驶员的复杂行为进行抽象和分解,并把分解所得的原子行为作为状态机的底层状态集合。同时,基于人类驾驶员复杂场景下的决策过程,提出了一种基于多属性决策方法的驾驶行为决策模型,抽取行驶过程中驾驶员关注的相关属性,判断和评价并获取最终驾驶行为模式,使得行为决策模式符合人类驾驶员的思维过程,解决了城市复杂交通场景下无人驾驶车辆的类人决策问题。设计了一种基于层次分析法——熵权法的驾驶行为矩阵赋权方法,建立基于驾驶经验与客观数据的权重体系,减弱主观随意性对决策结果的干扰,并且减少因样本数据不足带来的熵值法不准确的问题。结合TOPSIS优选和灰色关联分析两种方法,构建一种新的驾驶行为灰色理想值逼近模型,进行决策评判,使得被选方案不仅在空间位置上与最优方案较为接近,同时,其形状也贴近于最优方案,保证了所选驾驶行为的最优性。3)研究基于径向基函数神经网络的运动规划方法。首先对城区环境中运动规划算法的设计原则进行了分析,明确了运动规划的难点。针对非结构化道路特征不明显,环境不可预测的特点,提出了一种基于径向基函数(RBF)神经网络的运动规划方法,通过随机提取可行驶区域内的离散参考点,采用正则化网络对数据做逼近处理,并以一种带遗忘因子的单输出RBF网络学习方法——梯度下降法对网络参数进行学习。生成的轨迹能够对任意道路形状进行拟合,并且满足车辆运动特性的约束。此外由于RBF网络是一种局部逼近网络,具有学习速度快的优点,对于动态变化的环境能够快速响应,满足车辆规划系统的实时性要求。最后,本文基于城区真实道路环境,在“智能先锋Ⅱ”无人驾驶车辆平台上进行了实验,结果验证了决策系统设计方法的正确性和有效性。