| 摘要 | 第6-9页 |
| ABSTRACT | 第9-12页 |
| 第一章 绪论 | 第17-28页 |
| 1.1 研究目的意义 | 第17-19页 |
| 1.2 国内外研究现状 | 第19-25页 |
| 1.2.1 CRCAS研究现状及分析 | 第19-21页 |
| 1.2.2 驾驶行为模型研究现状及分析 | 第21-25页 |
| 1.3 课题来源 | 第25-26页 |
| 1.4 研究内容与章节安排 | 第26-28页 |
| 第二章 驾驶行为学习及规则抽取方法研究 | 第28-55页 |
| 2.1 基于认知学习理论的驾驶行为分析 | 第28-32页 |
| 2.1.1 认知学习理论概述 | 第28-29页 |
| 2.1.2 认知型驾驶行为描述与分析 | 第29-32页 |
| 2.2 基于人工神经网络集成的驾驶行为学习算法 | 第32-38页 |
| 2.2.1 理论基础 | 第32-34页 |
| 2.2.2 基于DANNI的驾驶行为学习 | 第34-35页 |
| 2.2.3 仿真实验与结果分析 | 第35-38页 |
| 2.3 鲁棒的驾驶行为分类方法 | 第38-42页 |
| 2.3.1 不精确驾驶行为数据的影响分析 | 第38页 |
| 2.3.2 基于MRF-REF的驾驶行为分类 | 第38-41页 |
| 2.3.3 实验结果及分析 | 第41-42页 |
| 2.4 基于ANNI的驾驶行为规则抽取算法 | 第42-54页 |
| 2.4.1 相关定义 | 第42-44页 |
| 2.4.2 ANNI规则抽取算法描述 | 第44-47页 |
| 2.4.3 ANNIREA规则抽取算法描述及分析 | 第47-49页 |
| 2.4.4 实验结果及分析 | 第49-54页 |
| 2.5 本章小结 | 第54-55页 |
| 第三章 驾驶环境信息感知及融合算法研究 | 第55-96页 |
| 3.1 不确定不完整的车牌位置感知与识别算法 | 第55-71页 |
| 3.1.1 MM-OLP算法 | 第55-59页 |
| 3.1.2 实验结果及分析 | 第59-65页 |
| 3.1.3 CM-LPR算法 | 第65-69页 |
| 3.1.4 实验结果及分析 | 第69-71页 |
| 3.2 基于MFA-DMFS的驾驶环境感知融合算法 | 第71-84页 |
| 3.2.1 MFA-DMFS算法 | 第72-80页 |
| 3.2.2 基于MFA-DMFS的交通标志识别 | 第80-81页 |
| 3.2.3 基于MFA-DMFS的前车尾灯识别 | 第81-84页 |
| 3.3 基于VIFMA的驾驶环境感知信息融合算法 | 第84-94页 |
| 3.3.1 常见融合算法优缺点分析 | 第84-85页 |
| 3.3.2 VIFMA算法描述 | 第85-88页 |
| 3.3.3 VIFMA复杂度与收敛性分析 | 第88页 |
| 3.3.4 实验结果与分析 | 第88-94页 |
| 3.4 本章小结 | 第94-96页 |
| 第四章 汽车追尾预警系统跟车模型及控制方法研究 | 第96-124页 |
| 4.1 常用跟车模型 | 第96-99页 |
| 4.1.1 基于安全车速的跟车模型 | 第96-97页 |
| 4.1.2 基于制动过程的跟车模型 | 第97-98页 |
| 4.1.3 基于车间时距的跟车模型 | 第98页 |
| 4.1.4 存在的不足 | 第98-99页 |
| 4.2 基于前车加速度的跟车模型 | 第99-105页 |
| 4.2.1 模型的建立 | 第99-102页 |
| 4.2.2 仿真结果及分析 | 第102-105页 |
| 4.3 基于最小距离的多车跟车模型 | 第105-117页 |
| 4.3.1 模型的建立 | 第105-111页 |
| 4.3.2 加速度控制器设计 | 第111-113页 |
| 4.3.3 仿真结果及分析 | 第113-116页 |
| 4.3.4 相关讨论 | 第116-117页 |
| 4.4 考虑前后车综合效应的动态平衡跟车模型 | 第117-123页 |
| 4.4.1 模型的建立 | 第118-121页 |
| 4.4.2 仿真结果及分析 | 第121-123页 |
| 4.5 本章小结 | 第123-124页 |
| 第五章 基于Multi-Agent的复杂系统体系结构设计 | 第124-152页 |
| 5.1 Multi-Agent基本概念 | 第124-129页 |
| 5.1.1 Agent概述 | 第124-128页 |
| 5.1.2 Multi-Agent System概述 | 第128-129页 |
| 5.2 传统体系结构设计及分析 | 第129-133页 |
| 5.2.1 分层式结构设计与分析 | 第129-131页 |
| 5.2.2 反应式结构设计与分析 | 第131-132页 |
| 5.2.3 混合式结构设计与分析 | 第132-133页 |
| 5.3 基于Multi-Agent的分层集中式体系结构(MAAM) | 第133-147页 |
| 5.3.1 MAAM结构与功能设计 | 第133-140页 |
| 5.3.2 MAAM运行控制与规划 | 第140-146页 |
| 5.3.3 系统特性分析 | 第146-147页 |
| 5.4 基于MAAM的汽车追尾预警系统模型设计 | 第147-151页 |
| 5.4.1 系统模型结构设计 | 第147-148页 |
| 5.4.2 人机界面Agent设计 | 第148-149页 |
| 5.4.3 驾驶环境感知识别Agent设计 | 第149-150页 |
| 5.4.4 追尾预警Agent设计 | 第150-151页 |
| 5.5 本章小结 | 第151-152页 |
| 第六章 基于Multi-Agent的汽车追尾预警方法研究 | 第152-171页 |
| 6.1 传统预测方法概述 | 第152-156页 |
| 6.1.1 传统预测方法分类 | 第152-153页 |
| 6.1.2 传统预测方法的不足之处 | 第153-154页 |
| 6.1.3 传统的汽车追尾预警方式概述 | 第154-156页 |
| 6.2 基于Multi-Agent的智能预测方法(IPMM) | 第156-158页 |
| 6.2.1 方法描述 | 第156-157页 |
| 6.2.2 特点分析 | 第157-158页 |
| 6.3 基于IPMM的汽车追尾预警方法 | 第158-170页 |
| 6.3.1 追尾预警数据分析Agent功能描述 | 第158-163页 |
| 6.3.2 追尾事故预测Agent的结构与功能描述 | 第163-164页 |
| 6.3.3 追尾事故预测Agent预警算法一 | 第164-166页 |
| 6.3.4 追尾事故预测Agent预警算法二 | 第166-168页 |
| 6.3.5 实验结果及分析 | 第168-170页 |
| 6.4 本章小结 | 第170-171页 |
| 第七章 实验平台设计与原型系统验证 | 第171-193页 |
| 7.1 实验平台搭建 | 第171-175页 |
| 7.1.1 仿真平台设计 | 第171-172页 |
| 7.1.2 仿真平台核心模块 | 第172-175页 |
| 7.1.3 仿真平台应用流程 | 第175页 |
| 7.2 原型系统实现 | 第175-181页 |
| 7.2.1 实现步骤与方法分析 | 第175-177页 |
| 7.2.2 Agent设计 | 第177-181页 |
| 7.2.3 Agent通讯 | 第181页 |
| 7.3 原型系统功能验证 | 第181-191页 |
| 7.3.1 功能验证工况设计 | 第181-182页 |
| 7.3.2 仿真实验结果及分析 | 第182-191页 |
| 7.4 本章小结 | 第191-193页 |
| 第八章 总结与展望 | 第193-197页 |
| 8.1 全文总结 | 第193-195页 |
| 8.2 主要创新 | 第195-196页 |
| 8.3 研究展望 | 第196-197页 |
| 参考文献 | 第197-215页 |
| 致谢 | 第215-216页 |
| 在学期间发表的学术论文及其他科研成果 | 第216-219页 |
