| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-10页 |
| 1 绪论 | 第10-18页 |
| 1．1 概述 | 第10-13页 |
| 1．1．1 汽车与安全 | 第10-11页 |
| 1．1．2 智能汽车与智能交通系统 | 第11-12页 |
| 1．1．3 汽车防撞安全系统 | 第12-13页 |
| 1．2 国内外汽车安全及智能汽车的研究现状 | 第13-16页 |
| 1．2．1 国外ITS的研究现状 | 第13-14页 |
| 1．2．2 我国ITS研究开始起步 | 第14页 |
| 1．2．3 汽车主动安全系统研究内容 | 第14-16页 |
| 1．3 本文的研究工作 | 第16-17页 |
| 1．3．1 课题的来源及研究进展 | 第16-17页 |
| 1．3．2 本文的主要内容 | 第17页 |
| 1．4 本章小结 | 第17-18页 |
| 2 行驶车辆时变动态环境模型 | 第18-26页 |
| 2．1 驾驶行为及驾驶过程状态信息 | 第18-21页 |
| 2．1．1 驾驶行为的三个阶段 | 第18-19页 |
| 2．1．2 驾驶行为特征 | 第19-20页 |
| 2．1．3 驾驶过程的状态信息 | 第20-21页 |
| 2．2 汽车行驶状态描述——汽车—环境特征模型 | 第21-24页 |
| 2．2．1 过程实时状态的描述 | 第21-22页 |
| 2．2．2 汽车——道路环境特征状态描述 | 第22-24页 |
| 2．3 本章小结 | 第24-26页 |
| 3 安全驾驶——及时的感知（检测）和处理 | 第26-35页 |
| 3．1 引言 | 第26页 |
| 3．2 安全行驶的表示 | 第26-27页 |
| 3．3 驾驶员环境感知和动作的时间特性 | 第27-31页 |
| 3．3．1 驾驶员对环境的感知反应时间 | 第27-29页 |
| 3．3．2 驾驶员的控制动作时间 | 第29-30页 |
| 3．3．3 行驶汽车的制动距离时间 | 第30-31页 |
| 3．4 基于时间的安全模型 | 第31-34页 |
| 3．4．1 安全行驶动态模型 | 第31-32页 |
| 3．4．2 基于时间的安全模型 | 第32-34页 |
| 3．5 本章小结 | 第34-35页 |
| 4 多智能主体的汽车主动安全系统设计 | 第35-51页 |
| 4．1 引言 | 第35-38页 |
| 4．1．1 汽车主动安全 | 第36页 |
| 4．1．2 人工智能从产生式系统到Agents：向分布式计算进化 | 第36-38页 |
| 4．2 驾驶人员在行驶中的作用 | 第38-39页 |
| 4．2．1 人对动态环境的感知 | 第38页 |
| 4．2．2 驾驶人员对环境的感知是行驶安全的前提 | 第38-39页 |
| 4．2．3 行驶车辆对环境信息的机器获取和感知 | 第39页 |
| 4．3 基于智能主体技术的基本概念 | 第39-42页 |
| 4．3．1 智能主体（Agent）的概念 | 第40-41页 |
| 4．3．2 基于Agent系统 | 第41页 |
| 4．3．3 多智能主体系统（MAS，Multi-Agent System） | 第41-42页 |
| 4．4 汽车行驶智能型主动安全系统 | 第42-50页 |
| 4．4．1 智能信息处理与人工智能 | 第42-43页 |
| 4．4．2 智能模拟技术与智能系统 | 第43-44页 |
| 4．4．3 智能型汽车主动安全系统结构 | 第44-46页 |
| 4．4．4 基于智能主体技术的汽车主动安全系统实现 | 第46-50页 |
| 4．5 本章小结 | 第50-51页 |
| 5 基于Petri网建模的多智能体协同动态环境信息获取与处理 | 第51-68页 |
| 5．1 引言 | 第51页 |
| 5．2 计时Petri网与有色Petri网 | 第51-55页 |
| 5．2．1 Petri网的基本概念 | 第51-54页 |
| 5．2．2 有色Petri网 | 第54页 |
| 5．2．3 定时Petri网 | 第54-55页 |
| 5．3 多智能体系统获取汽车行驶实时动态环境信息 | 第55-66页 |
| 5．3．1 环境信息获取的多智能体系统结构 | 第55-56页 |
| 5．3．2 基于计时受控有色Petri网的汽车主动安全动态模型 | 第56-62页 |
| 5．3．3 基于Petri网模型的多智能体协同求解 | 第62-64页 |
| 5．3．4 Petri网模型和多智能体的多线程技术实现 | 第64-66页 |
| 5．4 本章小结 | 第66-68页 |
| 6 基于计算机视觉的道路与障碍物检测 | 第68-89页 |
| 6．1 计算机视觉技术概述 | 第68-72页 |
| 6．1．1 Marr的视觉计算理论 | 第68-71页 |
| 6．1．2 计算机视觉研究中存在的主要困难 | 第71-72页 |
| 6．2 图像的时频分析 | 第72-74页 |
| 6．3 一种基于边缘方向特征的道路检测 | 第74-81页 |
| 6．3．1 道路的3D视觉原理 | 第74-76页 |
| 6．3．2 基于Gabor小波滤波器的道路边缘检测 | 第76-80页 |
| 6．3．3 利用Hough变换提取道路边缘和弯曲方向 | 第80-81页 |
| 6．4 汽车行驶前方障碍物的视觉检测 | 第81-88页 |
| 6．4．1 障碍物实时检测 | 第81-85页 |
| 6．4．2 障碍物的单目视觉距离测量 | 第85-88页 |
| 6．5 几点认识 | 第88页 |
| 6．6 本章小结 | 第88-89页 |
| 7 汽车驾驶防撞报警专家系统 | 第89-102页 |
| 7．1 引言 | 第89页 |
| 7．2 汽车报警防撞专家系统结构 | 第89-90页 |
| 7．3 安全优先级与常规级任务求解 | 第90-92页 |
| 7．4 基于汽车-环境特征状态模型的知识描述 | 第92-96页 |
| 7．4．1 知识获取 | 第92-94页 |
| 7．4．2 知识表示 | 第94-96页 |
| 7．5 专家系统安全报警问题求解 | 第96-101页 |
| 7．5．1 基本概念 | 第96-97页 |
| 7．5．2 推理过程 | 第97-98页 |
| 7．5．3 推理控制策略 | 第98-100页 |
| 7．5．4 系统的推理策略 | 第100-101页 |
| 7．6 本章小结 | 第101-102页 |
| 8 基于KDD的汽车驾驶行为发现 | 第102-115页 |
| 8．1 引言 | 第102页 |
| 8．2 KDD技术概述 | 第102-104页 |
| 8．2．1 KDD的概念 | 第102-103页 |
| 8．2．2 KDD过程 | 第103-104页 |
| 8．3 驾驶行为与数据的有序组织 | 第104-106页 |
| 8．3．1 驾驶行为发现的关键 | 第104页 |
| 8．3．2 行驶数据描述 | 第104-105页 |
| 8．3．3 汽车行驶数据的统计模型 | 第105-106页 |
| 8．4 基于统计分析的驾驶行为发现 | 第106-110页 |
| 8．4．1 车距行为特征量的求解 | 第106-108页 |
| 8．4．2 驾驶车距数据的区间 | 第108-109页 |
| 8．4．3 驾驶车距数据的差异处理 | 第109-110页 |
| 8．5 算例及分析 | 第110-114页 |
| 8．6 本章小结 | 第114-115页 |
| 结论 | 第115-117页 |
| 致谢 | 第117-118页 |
| 参考文献 | 第118-126页 |
| 攻读博士学位期间发表的论文、科研及获奖情况 | 第126-127页 |
