智能驾驶是目前一个热门的研究方向。L4级别的自动驾驶车辆难以实现大规模应用,主要原因之一是目前的基于场景驱动与基于单纯数据驱动的决策系统无法应对复杂、多变的驾驶环境。为研究汽车的智能决策与控制技术,本文对人工势能场进行了改进和扩展,提出了包含三个矢量场与一个标量场的适用于交通环境的“统一场模型”,在此基础上,提出了一种强化学习与统一场模型相结合的自动驾驶方法。论文首先分析了传统的人工势场法的应用范围及其不足之处,同时通过对交通环境的特征、组成及需求进行了分析。通过解构人工势场法的优势以及交通环境中的本质,分析了场与交通环境的相似之处,进一步了提出了根据交通环境的组成部分对其进行有针对性的细分式的建模,以尽可能精确地、完整的反映交通环境的各类属性,并在此基础上采用多目标优化方法,解决交通环境中的需求问题的基本思路。然后论文从场论的思想出发,以减少交通场景的场景依赖度为主要目的,提出了适用于交通环境的统一场模型。该模型包括提供主车前进期望的“动力场”模型、描述交通环境中的各类环境因素的“环境场”模型以及描述交通环境中各智能体的“智体场”模型。在建立模型的过程中,对影响交通环境的因素逐一进行分析,并用模型和模型参数表示。同时,提出了统一场模型中模型参数的标定方法,并根据文献中引用的实际道路信息与交通数据对部分模型参数进行了标定方法说明与标定示例。最后进一步的探究了统一场模型的应用范围和应用方法,针对交通环境中依赖场景库无法完美解决的复杂场景下的应用,提出了一种结合统一场模型与强化学习的自动驾驶方法应用为示例,并搭建测试平台与联合仿真平台进行验证。验证说明,该自动驾驶方法可以完成简单提前变道场景、标准测试场景、人车交互环境、随机环境场景等各类交通场景,并在常见交通场景下与无模型的强化学习方法、传统人工势场法及人类驾驶员进行了对比验证。另外,还搭建了硬件在环仿真进一步验证了算法在接近实际使用工控时的可行性与有效性。与现有的基于场论扩展的势场模型相比,本文贡献于建立了模型更精确与扩展性更强的统一场模型,并根据实际需求结合与改进了强化学习算法加以应用,为在复杂交通环境下的L4级别的自动驾驶方案提供了一种可探讨的理论应用及其相关的技术路线。