地面智能机器人是一个集成了多个功能子系统的复杂动态智能系统，其典型特征是具有一定程度的自主性。所谓自主性，是系统自我管理水平和自我管理质量的量度，是系统在预定任务目标实现过程中感知、理解、分析、交流、规划及决策制定与执行的能力。实现地面智能机器人的自主性评估，既有利于对现有系统的自主性水平给予客观、公平、全面的评价，也有利于对拟研究和开发的系统做出合理规划和预测。在国外众多权威机构的推动下，自主性评估已经得到了无人系统研究计划制定者、决策者、无人系统研究人员以及无人系统用户的广泛支持，成为了领域内重要的研究内容。　　 在评估过程中，数据获取、系统控制以及专家主观评判等环节存在广泛的不确定性。这种不确定性增加了评估的难度，但是却使得评估结果更符合智能系统真实的性能水平状态，因此处理并充分利用这种不确定性，建立定性变量与定量变量间的映射和转换关系，是提高系统评估结果可信度的重要手段之一。　　 本文以地面智能机器人（无人地面平台）自主性为研究对象，在分析了自主性评估技术背景和研究现状的基础上，建立了自主性评估模型和框架;运用不确定性隶属云模型的基础理论，融合了自主性评估中广泛存在的模糊性和随机性;提出了相关性度量和不确定推理方法，解决了自主性水平排序、推理及度量等智能决策问题;提出了基于隶属云的轨迹分析方法，建立了从轨迹特征到评测目标之间的映射关系，满足了对系统自主导航轨迹的评测要求;实现了地面智能机器人的自主性评估，并为其它复杂智能系统的综合性能评估提供了理论和方法参考。　　 本文的主要贡献包括五个方面:　　 (1)针对现有地面智能机器人自主性评估研究中评估目标不明确、评估指标单一等问题，提出了地面智能机器人自主性评估的基本原理、体系和方法。将自主性作为评估总体指标，按照任务执行过程对系统能力的综合需求将总体指标分解为感知、理解、规划和控制四个功能域，逐层向下，建立了自主性评估分层指标体系，解决了自主性评估对象和评估内容建模问题。　　 (2)针对自主性评估过程中普遍存在的随机性和模糊性，提出将评价隶属云模型引入自主性评估的思想，解决了智能机器人自主性评估信息的不确定性处理问题。根据不同的指标属性及评估偏好对评价信息的要求，提出了多类型指标评价云生成算法和评价云综合算法，得到了多重指标的综合评价云模型。相对于确定值数据的完全定量评价，评价云模型方法实现了定性和定量评估间的有效转换，体现了不确定性;相对于粗略定性评价，该方法提高了系统评估结果的全面性和可靠性。　　 (3)针对评价云表征的概念的比较和排序问题，提出了基于含熵期望曲线的评价云相关性度量方法。该方法面向评价云的几何特征，以超熵-期望曲线与坐标轴的“与区域”和“或区域”的面积比作为相关性的度量基准，解决了三类约束问题。通过超熵系数控制云滴厚度的影响程度，将评价云的三个数字特征全部纳入计算，减少了信息丢失，克服了现有方法计算复杂度高、结果不稳定的问题。在此基础上，提出了评价云排序判断方法，为通过评价云表征的概念比较提供了有效途径，实现了自主性水平的高低评判。　　 (4)针对具有定性规则的不确定推理问题，提出了基于二维多规则的评价云推理方法。将定性概念转换为评价云，将定性规则映射为X条件云和Y条件云组合而成的规则发生器。通过确定信息的输入，激活X条件云后计算得到Y条件云发生器的确定程度，并得到输出结果，从而完成定性规则的推理。该方法不依赖于精确的隶属度函数，推理过程既保留了不确定性，又保持了推理结果的稳定趋势，具有良好的可信度。　　 (5)针对地面智能机器人自主导航能力的评估与测试问题，提出了一种基于评价云的导航轨迹分析计算方法，建立了从轨迹特征到导航性能评测目标之间的映射关系。该方法通过对机器人自主行驶和避障行为中的运动轨迹特征提取，建立了对应的方位偏离、方向偏差和前向、侧向和后向避障安全距离轨迹特征云模型，反映了系统自主导航过程中的瞬时状态和系统稳定性。在机器人仿真实验和某地面智能机器人准结构化道路导航试验中，对该方法进行了验证。实验结果表明，该方法能够对自主导航系统轨迹数据实现有效评估，并能够弥补基于增强学习等方法在系统综合稳定性评价上的不足。