| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 智能车研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 路径规划算法综述 | 第12-15页 |
| 1.3.1 基于图形学的算法 | 第13页 |
| 1.3.2 前向图搜索算法 | 第13-14页 |
| 1.3.3 智能优化算法 | 第14-15页 |
| 1.3.4 随机采样算法 | 第15页 |
| 1.4 本文的主要研究内容和章节安排 | 第15-17页 |
| 2 基本RRT及其改进方法 | 第17-37页 |
| 2.1 引言 | 第17页 |
| 2.2 快速扩展随机树 | 第17-24页 |
| 2.2.1 路径规划问题描述 | 第17-18页 |
| 2.2.2 RRT算法基本原理 | 第18-19页 |
| 2.2.3 仿真实验及结果分析 | 第19-21页 |
| 2.2.4 几种RRT改进方法 | 第21-24页 |
| 2.3 基于最邻近可达点的改进RRT方法 | 第24-30页 |
| 2.3.1 最邻近可达点优先的节点扩展方法 | 第25-26页 |
| 2.3.2 基于剪枝策略的后处理方法 | 第26-27页 |
| 2.3.3 仿真实验及结果分析 | 第27-30页 |
| 2.4 基于最大拐角约束的Goal-biasing RRT | 第30-35页 |
| 2.4.1 Goal-biasing RRT的仿真结果 | 第30-32页 |
| 2.4.2 智能车的非完整运动模型 | 第32-33页 |
| 2.4.3 仿真实验及结果分析 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 基于人工势场引导的快速RRT路径规划方法 | 第37-52页 |
| 3.1 引言 | 第37页 |
| 3.2 人工势场法 | 第37-43页 |
| 3.2.1 人工势场法基本原理 | 第37-38页 |
| 3.2.2 势场函数的构造 | 第38-40页 |
| 3.2.3 仿真实验及结果分析 | 第40-43页 |
| 3.3 基于人工势场的地图表示 | 第43-45页 |
| 3.3.1 栅格地图的描述 | 第43-44页 |
| 3.3.2 人工势场引导的概率分布模型 | 第44-45页 |
| 3.3.3 基于人工势场引导的改进RRT算法 | 第45页 |
| 3.4 基于几何学的路径后处理方法 | 第45-49页 |
| 3.4.1 环的自检测及去除方法 | 第45-47页 |
| 3.4.2 xy坐标优化 | 第47-49页 |
| 3.5 仿真实验及结果分析 | 第49-51页 |
| 3.6 本章小结 | 第51-52页 |
| 4 基于蚁群算法的RRT路径优化方法 | 第52-61页 |
| 4.1 引言 | 第52页 |
| 4.2 蚁群算法 | 第52-55页 |
| 4.2.1 蚁群算法基本原理 | 第52-53页 |
| 4.2.2 AS信息素的计算 | 第53-54页 |
| 4.2.3 几种改进的蚁群算法 | 第54-55页 |
| 4.3 基于蚁群框架的RRT优化方法 | 第55-59页 |
| 4.3.1 信息素更新模型 | 第56-57页 |
| 4.3.2 仿真实验及结果分析 | 第57-59页 |
| 4.4 改进算法中的参数讨论及分析 | 第59-60页 |
| 4.4.1 信息素挥发系数 | 第59页 |
| 4.4.2 种群大小 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 路径规划的智能车实验系统 | 第61-66页 |
| 5.1 自主车介绍 | 第61页 |
| 5.2 自主车平台硬件系统 | 第61-63页 |
| 5.2.1 惯导及GPS | 第61-62页 |
| 5.2.2 车载激光雷达 | 第62页 |
| 5.2.3 车载相机 | 第62-63页 |
| 5.2.4 处理系统 | 第63页 |
| 5.3 自主车平台软件模块 | 第63-64页 |
| 5.4 实车测试 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 6 总结和展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73页 |