El rendimiento de toma de decisiones de los vehículos autónomos tiende a ser inestable en intersecciones sin señalización, lo que les dificulta tomar decisiones óptimas. Proponemos un modelo de toma de decisiones basado en el algoritmo Variable-Noise Multi-Agent Deep Deterministic Policy Gradient (VN-MADDPG) para abordar estos problemas. El mecanismo de ruido variable reduce el ruido dinámicamente, permitiendo que el agente utilice la política aprendida de manera más efectiva para completar tareas. Esto mejora significativamente la estabilidad del modelo de toma de decisiones al tomar decisiones óptimas. El módulo de muestreo de importancia aborda la inconsistencia entre la experiencia obsoleta en el búfer de reproducción y las características ambientales actuales. Esto mejora la eficiencia de aprendizaje del modelo y aumenta la robustez del modelo de toma de decisiones. Los resultados experimentales en la plataforma de simulación CARLA muestran que la tasa de éxito de la toma de decisiones en intersecciones sin señalización por parte de los vehículos autónomos ha aumentado significativamente, y el tiempo de paso se ha reducido. El modelo de toma de decisiones basado en el algoritmo VN-MADDPG demuestra un rendimiento estable y excelente en la toma de decisiones.