人机共驾系统的接管策略决定了该系统何时对驾驶员提供驾驶支持,是保证其安全性和人机交互舒适性的首要条件。现有的接管策略主要是基于驾驶员状态和驾驶风险的评估设计而成,容易造成过度干预或者是欠干预,并不能满足人机共驾系统的需求。针对此问题,本文提出了依据驾驶能力评估的人机共驾接管方案,设计了基于驾驶能力不可靠域的驾驶能力评估方法,并利用驾驶模拟实验平台对此方法进行验证,实现了在线评估驾驶员的驾驶能力,结果表明该方法相对于现有接管机制能有效提升驾驶安全性和人机交互舒适性。论文首先设计实验对基于驾驶员状态和驾驶风险评估的接管策略的可行性进行研究,通过分析不同的驾驶员状态与发生的危险事件数量的关系以及驾驶员对风险进行自我纠正的情况,发现了基于现有接管策略会造成欠干预以及过度干预的弊端,证明了对现有接管机制进行改进的重要性。然后,提出了基于驾驶能力切换控制权的总体思路,设计了基于驾驶能力不可靠域的接管策略(Unreliable domain of driver capability,URDC)以及计算驾驶驾驶能力不可靠域的指标。驾驶能力不可靠域的辨识包含两部分:驾驶风险评估和驾驶员的纠正能力评估。参考现有的指标,实现实时驾驶风险的评估;采用正常能力的驾驶员模型输出驾驶员行为,通过传统机理类驾驶员模型和智能学习类的驾驶员模型对比研究确定了以神经网络自回归模算法对驾驶员行为进行建模的方案,并基于此设计出表征驾驶员纠正能力的下降程度的指标;接着利用所设计的指标研究了计算URDC边界值的方法,并提出了将URDC边界值进行在线自学习的策略,使其自适应于当前的驾驶员和驾驶环境。采用对数正态分布描述了URDC指标的特性,并利用累积分布函数的反函数对URDC的边界值进行计算;通过递归的方法对分布的均值和标准差进行实时地更新,实现边界值的自学习功能。最后利用驾驶模拟实验采集的数据对本研究提出的接管策略进行有效性评估。结果表明,相比现有策略,基于驾驶能力评估的接管机制有效降低了错干预率和误干预率。