| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-19页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究目的与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 深度学习算法发展现状 | 第10-13页 |
| 1.2.2 智能汽车自动转向技术研究现状 | 第13-16页 |
| 1.2.3 研究现状评述 | 第16-17页 |
| 1.3 研究内容及方法 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 第2章 自动驾驶系统平台搭建 | 第19-37页 |
| 2.1 自动驾驶执行机构改装 | 第19-25页 |
| 2.1.1 转向机构改装 | 第19-22页 |
| 2.1.2 刹车机构改装 | 第22-24页 |
| 2.1.3 油门机构改装 | 第24-25页 |
| 2.2 自动驾驶硬件平台 | 第25-32页 |
| 2.2.1 传感器平台 | 第25-28页 |
| 2.2.2 控制器计算平台 | 第28-32页 |
| 2.3 自动驾驶软件平台 | 第32-36页 |
| 2.3.1 实车软件平台 | 第32-34页 |
| 2.3.2 仿真软件平台 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于深度学习的自动转向模型搭建 | 第37-50页 |
| 3.1 深度学习基本理论 | 第37-45页 |
| 3.1.1 人工神经元模型 | 第37-38页 |
| 3.1.2 卷积神经网络 | 第38-41页 |
| 3.1.3 图像上采样方法 | 第41-44页 |
| 3.1.4 自动编码器 | 第44-45页 |
| 3.2 端到端的转角预测模型架构 | 第45-47页 |
| 3.3 Tensor Flow框架上转角预测模型的实现 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 智能汽车自动转向模型训练与结果分析 | 第50-65页 |
| 4.1 数据采集与处理 | 第50-55页 |
| 4.1.1 仿真数据 | 第50-54页 |
| 4.1.2 实车数据 | 第54-55页 |
| 4.2 模型训练及结果分析 | 第55-60页 |
| 4.2.1 仿真预训练与分析 | 第56-57页 |
| 4.2.2 实车再训练与分析 | 第57-60页 |
| 4.3 自动转向模型的可视化分析 | 第60-64页 |
| 4.3.1 解码器可视化 | 第61页 |
| 4.3.2 平均特征图反向传播可视化 | 第61-62页 |
| 4.3.3 反卷积可视化 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 智能汽车自动转向模型的改进 | 第65-83页 |
| 5.1 基于LSTM改进的转角预测模型 | 第65-73页 |
| 5.1.1 LSTM基本原理 | 第65-70页 |
| 5.1.2 改进后的转角预测模型架构 | 第70-71页 |
| 5.1.3 改进后模型的训练和对比分析 | 第71-73页 |
| 5.2 路口仿真实验 | 第73-78页 |
| 5.2.1 场景设置 | 第73-75页 |
| 5.2.2 模型训练及结果分析 | 第75-78页 |
| 5.3 变道仿真实验 | 第78-82页 |
| 5.3.1 场景设置 | 第78-79页 |
| 5.3.2 模型训练及结果分析 | 第79-82页 |
| 5.4 本章小结 | 第82-83页 |
| 第6章 结论 | 第83-85页 |
| 6.1 研究总结 | 第83-84页 |
| 6.2 研究展望 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第90页 |