无人驾驶是当前人工智能最有潜在价值的领域之一。为了实现无人车在真实道路上的安全行驶，不但需要车体感知端对物体进行精确的识别与追踪，而且需要决策控制端能够根据当前的道路状况做出合理的动作。其中，智能决策模块是无人驾驶的关键点，同时也是难点。它主要包括行为预测，避障，轨迹规划等部分。作为一种强大的支持动态建模的工具，有限状态机模型被广泛的用于无人驾驶决策的建模。它将造成驾驶行为变化的事件进行归纳总结，分成有限个驾驶行为，每种行为对应于不同的车辆操控方式，基于规则或统计模型构建无人驾驶决策模型。基于规则的决策模型能够快速实现功能，但是不能够穷举所有的决策状态，而且对不确定信息的刻画能力不足，因此与概率统计分析方法的结合显得十分必要。另外，随着Carla、Torcs等模拟器的推出，强化学习也逐渐用于无人驾驶决策的研究，并取得了不错的效果。但是，目前强化学习在无人驾驶中的运用更多的是在虚拟的游戏引擎中，距离真实场景上的运用还有不少的距离，而且行车稳定性也需要进一步的加强。
        我们运用贝叶斯网络和非参数贝叶斯模型去解决无人驾驶中的小样本决策问题，这些方法能够充分考虑时序数据中的因果关联性，有别于传统的基于规则的方法，不仅能够有效地捕捉到数据的特征，同时能够大幅度降低对数据量的依赖，从而全面提升小样本决策的准确性。