基于深度学习的无人车避障策略研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 选题意义 | 第13页 |
| 1.2 无人车研究现状 | 第13-15页 |
| 1.2.1 国外无人车研究现状 | 第13-15页 |
| 1.2.2 国内无人车研究现状 | 第15页 |
| 1.3 车辆碰撞躲避策略研究现状 | 第15-17页 |
| 1.3.1 国外碰撞躲避策略研究现状 | 第16-17页 |
| 1.3.2 国内碰撞躲避策略研究现状 | 第17页 |
| 1.4 深度学习研究现状 | 第17-18页 |
| 1.5 研究路线 | 第18页 |
| 1.6 研究内容及解决的问题 | 第18-20页 |
| 1.6.1 研究内容 | 第18-19页 |
| 1.6.2 解决的问题 | 第19-20页 |
| 1.7 论文结构 | 第20-21页 |
| 第2章 深度学习概述 | 第21-34页 |
| 2.1 深度学习算法简介 | 第21页 |
| 2.2 深度学习基本思想 | 第21-23页 |
| 2.3 深度学习训练过程 | 第23-27页 |
| 2.4 深度学习主要算法 | 第27-33页 |
| 2.4.1 深信度网络DBN | 第27-30页 |
| 2.4.2 卷积神经网络CNN | 第30-33页 |
| 2.5 小结 | 第33-34页 |
| 第3章 道路试验及数据预处理 | 第34-44页 |
| 3.1 试验设备 | 第34-36页 |
| 3.1.1 HDL-64E激光雷达 | 第34-35页 |
| 3.1.2 数据格式 | 第35-36页 |
| 3.2 障碍物信息提取与融合算法描述 | 第36-41页 |
| 3.2.1 剔除无效数据 | 第36页 |
| 3.2.2 将数据映射到二维RGB图 | 第36-38页 |
| 3.2.3 障碍物静态识别——连续两帧情况 | 第38-41页 |
| 3.2.4 障碍物动态识别——连续多帧情况 | 第41页 |
| 3.3 障碍物信息提取与融合算法流程 | 第41-43页 |
| 3.4 小结 | 第43-44页 |
| 第4章 深度模型建模与实验分析 | 第44-55页 |
| 4.1 RGB图像灰度化 | 第44页 |
| 4.2 深度网络输入输出数据分析 | 第44-45页 |
| 4.3 隐层结构设置 | 第45-46页 |
| 4.4 训练过程 | 第46-51页 |
| 4.4.1 输入数据预处理 | 第46-48页 |
| 4.4.2 栈式自编码初始化网络参数 | 第48-50页 |
| 4.4.3 训练softmax分类器 | 第50-51页 |
| 4.4.4 微调 | 第51页 |
| 4.5 实验结果及分析 | 第51-54页 |
| 4.6 小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
