Ma thèse porte sur la navigation partagée entre le système autonome et l'humain. Dans notre recherche, nous mettons l'accent sur la fusion des commandes. Dans notre approche, les deux entités, l'humain et le système autonome, pilotent simultanément le véhicule, et un module acquiert leurs commandes et effectue la fusion des commandes. Cette approche implique l'étude des intentions de l'humain et du système autonome afin d'assurer la fusion la plus appropriée de leurs choix et d'évaluer la prise de décision de chaque entité. L'intention du système autonome est calculée à l'aide d'un contrôleur d’asservissement visuel. La mise en œuvre de l'asservissement visuel repose sur un réseau de deep learning capable de détecter les voies de circulation. Pour le conducteur humain, qui conduit activement et ne peut exprimer son intention en même temps, nous utilisons un modèle basé sur le deep learning pour prédire son intention. La construction de ce modèle a nécessité la création d'un ensemble de données de conduite à l'aide de nos véhicules et le développement d'un modèle récurrent qui intègre des données de divers types. Chacune de ces intentions est ensuite évaluée selon des critères spécifiques, y compris la sécurité, le confort et le contexte, dans le but de guider le processus de fusion vers la sélection de l'intention de la plus haute qualité. Cette quantification est basée sur une analyse de l'état dérivée de la réalisation de ces intentions. Ensuite, nous utilisons la théorie des jeux pour faciliter le processus de fusion, au chaque entité, humain et système autonome, souhaite orienter la commande finale vers son choix.