智能车辆近场物体探测及其状态识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题提出 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国内外障碍物探测算法研究现状 | 第13-15页 |
| 1.2.2 国内外目标运动状态识别算法研究现状 | 第15页 |
| 1.3 本文主要内容及章节安排 | 第15-17页 |
| 第二章 近场物体探测 | 第17-37页 |
| 2.1 引言 | 第17页 |
| 2.2 聚类算法 | 第17-23页 |
| 2.2.1 K-means聚类 | 第18-20页 |
| 2.2.2 DBSCAN聚类 | 第20-22页 |
| 2.2.3 ABD算法 | 第22-23页 |
| 2.2.4 欧氏距离 | 第23页 |
| 2.3 多传感器信息融合 | 第23-34页 |
| 2.3.1 数据融合的级别 | 第24-26页 |
| 2.3.2 通用处理结构 | 第26-28页 |
| 2.3.3 多传感器数据融合算法 | 第28-34页 |
| 2.4 近场物体探测方案设计 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第三章 近场物体运动状态识别 | 第37-53页 |
| 3.1 引言 | 第37页 |
| 3.2 跟踪门 | 第37-40页 |
| 3.2.1 椭圆跟踪门 | 第38-39页 |
| 3.2.2 矩形跟踪门 | 第39-40页 |
| 3.3 数据关联算法 | 第40-44页 |
| 3.3.1 最近邻算法 | 第40页 |
| 3.3.2 概率数据关联法 | 第40-41页 |
| 3.3.3 联合概率数据关联法 | 第41-43页 |
| 3.3.4 多假设跟踪法 | 第43-44页 |
| 3.4 滤波算法 | 第44-46页 |
| 3.4.1 卡尔曼滤波 | 第44-45页 |
| 3.4.2 α?β滤波器 | 第45页 |
| 3.4.3 粒子滤波 | 第45-46页 |
| 3.5 运动状态模型 | 第46-51页 |
| 3.5.1 匀速和匀加速模型 | 第46-47页 |
| 3.5.2 Singer模型 | 第47-48页 |
| 3.5.3 “当前”统计模型 | 第48-51页 |
| 3.6 近场物体运动状态识别方案设计 | 第51-52页 |
| 3.6.1 近场物体运动状态识别实现框架 | 第51页 |
| 3.6.2 跟踪门选择 | 第51页 |
| 3.6.3 数据关联算法选择 | 第51页 |
| 3.6.4 滤波算法选择 | 第51-52页 |
| 3.6.5 目标运动模型选择 | 第52页 |
| 3.7 本章小结 | 第52-53页 |
| 第四章 仿真与实车实验验证 | 第53-73页 |
| 4.1 引言 | 第53页 |
| 4.2 仿真实验验证 | 第53-62页 |
| 4.2.1 仿真环境 | 第53页 |
| 4.2.2 匀速、匀加速和当前统计模型仿真实验 | 第53-62页 |
| 4.3 实车实验平台搭建 | 第62-67页 |
| 4.3.1 软件平台搭建 | 第62-63页 |
| 4.3.2 实车传感器平台搭建 | 第63-65页 |
| 4.3.3 惯性导航系统标定 | 第65页 |
| 4.3.4 激光雷达标定 | 第65-67页 |
| 4.4 实车实验 | 第67-72页 |
| 4.4.1 近场物体检测实车实验验证 | 第67-68页 |
| 4.4.2 目标运动状态估计实车实验验证 | 第68-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 全文总结与展望 | 第73-75页 |
| 5.1 全文总结 | 第73-74页 |
| 5.2 未来展望 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82页 |
