| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 智能交通系统 | 第10页 |
| 1.1.2 无人驾驶车 | 第10-11页 |
| 1.1.3 国内外研究现状 | 第11-14页 |
| 1.2 无人驾驶车中的环境感知系统 | 第14-18页 |
| 1.2.1 常用传感器与技术 | 第14-16页 |
| 1.2.2 激光雷达在无人驾驶车中的应用与现状 | 第16-18页 |
| 1.3 论文研究内容及成果 | 第18-22页 |
| 1.3.1 论文研究内容 | 第18-19页 |
| 1.3.2 论文的主要成果 | 第19-22页 |
| 第2章 多层激光雷达与坐标系 | 第22-30页 |
| 2.1 多层激光雷达简介 | 第22-26页 |
| 2.2 坐标系的建立与变换 | 第26-29页 |
| 2.2.1 坐标系的三维几何变换 | 第26-28页 |
| 2.2.2 坐标系的建立与变换 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于多层激光雷达的道路信息提取算法 | 第30-48页 |
| 3.1 引言 | 第30页 |
| 3.2 道路边沿检测算法 | 第30-42页 |
| 3.2.1 数据预处理阶段 | 第31-33页 |
| 3.2.2 基于模型的聚类算法 | 第33-36页 |
| 3.2.3 相似性度量方法 | 第36-38页 |
| 3.2.4 基于欧氏距离改进的COBWEB算法 | 第38-40页 |
| 3.2.5 路沿检测的多层融合表示 | 第40-42页 |
| 3.3 道路坡度检测算法 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-47页 |
| 3.4.1 路沿检测算法的实验结果 | 第44-46页 |
| 3.4.2 道路坡度检测算法的实验结果 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于栅格地图的障碍物检测与静态信息提取 | 第48-68页 |
| 4.1 引言 | 第48-49页 |
| 4.2 栅格地图的建立 | 第49-55页 |
| 4.2.1 栅格地图综述 | 第49-50页 |
| 4.2.2 DS证据理论 | 第50-52页 |
| 4.2.3 建立局部栅格地图 | 第52-54页 |
| 4.2.4 栅格地图的更新 | 第54-55页 |
| 4.3 动态障碍物检测 | 第55-62页 |
| 4.3.1 动态障碍物检测方法 | 第56-57页 |
| 4.3.2 膨胀腐蚀算法 | 第57-60页 |
| 4.3.3 障碍物的聚类 | 第60-62页 |
| 4.4 实验结果与分析 | 第62-65页 |
| 4.4.1 栅格地图的建立 | 第62-63页 |
| 4.4.2 道路分割结果 | 第63-64页 |
| 4.4.3 膨胀侵蚀结果 | 第64-65页 |
| 4.4.4 动态障碍物聚类与静态信息提取结果 | 第65页 |
| 4.5 本章小结 | 第65-68页 |
| 第5章 多目标跟踪与动态信息提取 | 第68-88页 |
| 5.1 引言 | 第68-69页 |
| 5.2 Kalman滤波器 | 第69-79页 |
| 5.2.1 动态环境下障碍物盒子模型中心位置校正 | 第70-71页 |
| 5.2.2 Kalman滤波器的设定与应用 | 第71-74页 |
| 5.2.3 可变跟踪门 | 第74-75页 |
| 5.2.4 实验验证与问题分析 | 第75-79页 |
| 5.3 多目标跟踪中经典的数据关联算法 | 第79-82页 |
| 5.3.1 最近邻算法 | 第79页 |
| 5.3.2 联合概率数据关联算法 | 第79-81页 |
| 5.3.3 交互多模型算法 | 第81-82页 |
| 5.4 基于多特征马氏距离的最近邻数据关联算法 | 第82-87页 |
| 5.4.1 最近邻数据关联算法存在的问题及解决方法 | 第82-84页 |
| 5.4.2 跟踪器管理 | 第84-85页 |
| 5.4.3 实验结果与讨论 | 第85-87页 |
| 5.5 本章小结 | 第87-88页 |
| 结论 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间所发表的学术论文 | 第94-96页 |
| 致谢 | 第96页 |