| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外无人驾驶汽车研究现状及分析 | 第13-16页 |
| 1.3 动态障碍物检测跟踪方法研究现状与分析 | 第16-18页 |
| 1.4 动态障碍物识别方法研究现状与分析 | 第18-20页 |
| 1.5 动态车辆轨迹预测与避撞方法研究现状与分析 | 第20-21页 |
| 1.6 研究基础与存在的问题 | 第21-22页 |
| 1.7 本文创新点与研究内容组织架构 | 第22-24页 |
| 1.7.1 本文创新点 | 第22页 |
| 1.7.2 本文主要研究内容与结构安排 | 第22-24页 |
| 第2章 动态障碍物避撞系统设计 | 第24-34页 |
| 2.1 无人驾驶汽车平台体系结构 | 第24-29页 |
| 2.1.1 感知系统 | 第25-26页 |
| 2.1.2 决策系统 | 第26-28页 |
| 2.1.3 控制执行系统 | 第28-29页 |
| 2.2 无人驾驶汽车动态障碍物避撞关键问题 | 第29-30页 |
| 2.2.1 动态障碍物检测跟踪的关键问题 | 第29-30页 |
| 2.2.2 动态障碍物识别的关键问题 | 第30页 |
| 2.2.3 动态车辆轨迹预测的关键问题 | 第30页 |
| 2.3 动态障碍物避撞方法分析 | 第30-32页 |
| 2.3.1 设计要求 | 第30-31页 |
| 2.3.2 解决方案 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于多特征融合的动态障碍物检测跟踪 | 第34-54页 |
| 3.1 障碍物特征融合与建模 | 第34-44页 |
| 3.1.1 多层激光雷达数据特征提取 | 第34-37页 |
| 3.1.2 三维激光雷达数据特征提取 | 第37-41页 |
| 3.1.3 动态障碍物特征融合与建模 | 第41-44页 |
| 3.2 动态障碍物检测跟踪 | 第44-48页 |
| 3.2.1 动态障碍物匹配 | 第44-45页 |
| 3.2.2 动态障碍物的运动状态估计 | 第45-48页 |
| 3.3 实验结果 | 第48-51页 |
| 3.4 本章小结 | 第51-54页 |
| 第4章 基于时空特征向量的动态障碍物识别 | 第54-68页 |
| 4.1 时空特征向量构建 | 第54-60页 |
| 4.1.1 空间维度特征 | 第54-56页 |
| 4.1.2 时间维度特征 | 第56-60页 |
| 4.2 基于AdaBoost算法的动态障碍物识别 | 第60-63页 |
| 4.2.1 Adaboost算法理论基础 | 第60-61页 |
| 4.2.2 分类器构造 | 第61-63页 |
| 4.3 实验结果 | 第63-67页 |
| 4.4 本章小结 | 第67-68页 |
| 第5章 基于驾驶行为意图检测的动态车辆轨迹预测与避撞 | 第68-84页 |
| 5.1 基于混合高斯模型的驾驶行为意图检测 | 第68-73页 |
| 5.1.1 基于动态车辆运动特征和道路结构的特征向量构建 | 第68-71页 |
| 5.1.2 基于混合高斯模型的驾驶行为意图检测 | 第71-73页 |
| 5.2 基于驾驶行为意图的轨迹预测与避撞 | 第73-79页 |
| 5.2.1 动态车辆轨迹预测 | 第74-77页 |
| 5.2.2 避撞方法 | 第77-79页 |
| 5.3 实验结果 | 第79-82页 |
| 5.4 本章小结 | 第82-84页 |
| 第6章 实验与讨论 | 第84-96页 |
| 6.1 实验平台 | 第84-85页 |
| 6.2 实验场景 | 第85页 |
| 6.3 实验设计 | 第85-87页 |
| 6.4 实验结果分析 | 第87-94页 |
| 6.4.1 交通流较大的直道场景 | 第87-89页 |
| 6.4.2 曲率较大的弯曲道路场景 | 第89-91页 |
| 6.4.4 包含多种交通参与者的场景 | 第91-92页 |
| 6.4.5 整体测试结果分析 | 第92-94页 |
| 6.5 本章小结 | 第94-96页 |
| 第7章 总结与展望 | 第96-98页 |
| 7.1 总结 | 第96页 |
| 7.2 展望 | 第96-98页 |
| 参考文献 | 第98-106页 |
| 致谢 | 第106-108页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第108-109页 |