现阶段智能驾驶开发的难点是开发“拟人化”的智能化水平,即如何使智能车在真实道路上做出“拟人化”的驾驶决策。在此过程中形成了基于规则与端到端的决策方法。在端到端的驾驶决策方法中,车辆通过丰富的驾驶数据使用神经网络学习出智能车的驾驶决策。这个过程不同于基于规则的决策构建方法,需要设计决策训练网络算法、采集数据为算法提供训练场景、对算法进行实车部署。本文基于以上三点分别提出了面向拟人/超人驾驶的汽车多向耦合智能决策算法、构建了真实场景驾驶数据集、搭建了用于算法部署的实车验证平台。针对以上内容,课题开展的具体工作主要有:（1）针对现有端到端驾驶决策“拟人化”不足模型预测任务单一,从而导致的智能驾驶多向耦合特性缺失的问题,研究采集RGB图像,使用深层卷积网络提取驾驶图像空间特征,在卷积层采用硬参数共享,全连接层并列多个全连接神经网络结构进而构建了能预测出转向、驱动、制动的多任务（Multi-task）驾驶决策网络,在多个驾驶任务的共享层参数优化中实现对所有驾驶任务的收敛,求解出的模型参数最优解具备了人类驾驶决策的强相关性与强耦合特性,在测试集上验证了其预测的可靠性。（2）由于端到端算法极其依赖人类驾驶数据,使用模拟器仿真数据最终无法为实车的驱动提供可靠的训练样本,国外真实数据更侧重于目标的检测与识别任务,缺少真实驾驶员端到端的驾驶行为数据,本课题自建了数据采集原型车,搭载了视觉传感器,与转角、驱动、制动开度传感器,通过ROS完成整车信息的通信,记录人类驾驶行为,建立标准CSV格式数据集,为算法提供支撑。（3）搭建了用于算法部署的实车验证平台。通过ROS建立整车通讯实现端到端的驾驶行为预测,计算原型车动力参数,分别在转向盘、制动和驱动踏板安装伺服电机并计算了各自电机的峰值、额定功率;最高、额定转速;峰值、额定扭矩确定电机构型,通过CAN协议和Auto Box原型通信,使用PID算法控制实车完成端到端驾驶。实验验证了本课题多向耦合驾驶决策的可行性,在没有语义分割和目标检测的情况下能够实现车道保持行为与自车回正的驾驶决策。课题创新点有:（1）使用卷积网络的多任务学习（Multi-task）将智能驾驶决策的多向耦合特性转化为参数共享的多任务网络最优解的求解问题,解决了单一预测模型“拟人化”不足,在并在此基础上引入了自学习权重损失函数,将多任务的权重加入网络反向传播的优化中,进一步提升了驾驶决策算法的泛化性。（2）搭建了真实驾驶数据采集与验证平台,使得端到端驾驶决策的研究不局限于模拟器的有限场景,为算法的研究与智能车的开发测试提供真实的驾驶数据。填补了智能驾驶数据集研究中端到端真实场景驾驶行为数据的缺失。