| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 1 绪论 | 第11-27页 |
| 1.1 研究背景及意义 | 第12-16页 |
| 1.2 道路场景识别国内外研究现状 | 第16-21页 |
| 1.2.1 道路识别方法研究现状 | 第16-18页 |
| 1.2.2 道路场景理解方法研究现状 | 第18-21页 |
| 1.3 机器人路径规划研究现状 | 第21-25页 |
| 1.4 本文的主要研究内容 | 第25-26页 |
| 1.5 本文内容的组织结构 | 第26-27页 |
| 2 道路消失点检测及道路检测算法研究 | 第27-45页 |
| 2.1 引言 | 第27-29页 |
| 2.2 基于直线空间投票方法的道路消失点检测方法 | 第29-34页 |
| 2.2.1 直线段检测 | 第29-31页 |
| 2.2.2 投票权重方法 | 第31-33页 |
| 2.2.3 投票策略 | 第33-34页 |
| 2.2.4 投票权重影响 | 第34页 |
| 2.3 基于消失点的道路检测 | 第34-36页 |
| 2.4 实验结果与分析 | 第36-44页 |
| 2.4.1 消失点检测性能 | 第36-39页 |
| 2.4.2 道路检测性能 | 第39-44页 |
| 2.5 本章小结 | 第44-45页 |
| 3 基于深度学习的道路场景理解研究 | 第45-87页 |
| 3.1 引言 | 第45-47页 |
| 3.2 深度学习 | 第47-51页 |
| 3.2.1 深度学习与机器学习、人工智能的关系 | 第47-49页 |
| 3.2.2 深度学习的发展与应用 | 第49-51页 |
| 3.3 卷积神经网络 | 第51-63页 |
| 3.3.1 卷积神经网络的起源 | 第51-53页 |
| 3.3.2 卷积神经网络的结构及特征 | 第53-59页 |
| 3.3.3 卷积神经网络的特点 | 第59-60页 |
| 3.3.4 全卷积神经网络与图像的语义分割 | 第60-63页 |
| 3.4 基于深度卷积神经网络的道路场景理解 | 第63-85页 |
| 3.4.1 网络架构 | 第65-71页 |
| 3.4.2 实验准备 | 第71-72页 |
| 3.4.3 训练 | 第72-74页 |
| 3.4.4 实验结果与分析 | 第74-85页 |
| 3.5 本章小结 | 第85-87页 |
| 4 道路场景理解的多信息融合研究 | 第87-109页 |
| 4.1 引言 | 第87-88页 |
| 4.2 环境信息感知方式 | 第88-89页 |
| 4.3 贝叶斯融合 | 第89-96页 |
| 4.3.1 概率融合 | 第89-94页 |
| 4.3.2 信任函数理论 | 第94-96页 |
| 4.4 道路场景信息融合理解 | 第96-105页 |
| 4.4.1 基于像素位置的分类 | 第97-100页 |
| 4.4.2 基于立体视觉的分类 | 第100-103页 |
| 4.4.3 基于单目图像的表面布局分类 | 第103-104页 |
| 4.4.4 基于毫米波雷达的分类 | 第104-105页 |
| 4.4.5 其他分类方法 | 第105页 |
| 4.5 融合结果 | 第105-107页 |
| 4.6 本章小结 | 第107-109页 |
| 5 路径规划算法研究 | 第109-143页 |
| 5.1 引言 | 第109-111页 |
| 5.2 教与学优化算法 | 第111-114页 |
| 5.2.1 初始化 | 第112-113页 |
| 5.2.2 教学阶段 | 第113-114页 |
| 5.2.3 互学阶段 | 第114页 |
| 5.2.4 算法终止 | 第114页 |
| 5.3 非线性惯性权重的教与学优化算法 | 第114-133页 |
| 5.3.1 NIWTLBO算法描述 | 第115-117页 |
| 5.3.2 基准函数测试 | 第117-133页 |
| 5.3.3 测试小结 | 第133页 |
| 5.4 基于NIWTLBO算法的局部路径规划 | 第133-137页 |
| 5.4.1 环境建模 | 第133-134页 |
| 5.4.2 路径优化 | 第134-136页 |
| 5.4.3 算法步骤 | 第136-137页 |
| 5.5 实验结果及分析 | 第137-142页 |
| 5.5.1 NIWTLBO与PSO、ABC、DE、TLBO在路径规划中比较 | 第137-139页 |
| 5.5.2 非坐标变换下NIWTLBO与TLBO在不同场景中的路径规划比较 | 第139-142页 |
| 5.6 本章小结 | 第142-143页 |
| 6 总结与展望 | 第143-147页 |
| 6.1 主要结论和创新点 | 第143-145页 |
| 6.1.1 主要工作与结论 | 第143-144页 |
| 6.1.2 创新点 | 第144-145页 |
| 6.2 未来工作展望 | 第145-147页 |
| 致谢 | 第147-149页 |
| 参考文献 | 第149-163页 |
| 攻读学位期间取得的研究成果 | 第163页 |