| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第18-36页 |
| 1.1 无人驾驶智能汽车研究发展概述 | 第18-26页 |
| 1.1.1 无人驾驶智能汽车的研究背景与意义 | 第18-20页 |
| 1.1.2 国外无人驾驶智能汽车的发展概述 | 第20-24页 |
| 1.1.2.1 美国DARPA挑战赛 | 第20-23页 |
| 1.1.2.2 欧洲陆地机器人竞赛 | 第23-24页 |
| 1.1.3 国内无人驾驶智能汽车的发展概述 | 第24-26页 |
| 1.1.3.1 中国智能车未来挑战赛 | 第24-25页 |
| 1.1.3.2“跨越险阻”地面无人平台挑战赛 | 第25-26页 |
| 1.2 无人驾驶智能汽车的定位技术发展概述 | 第26-30页 |
| 1.2.1 无人驾驶智能汽车的定位系统研究现状 | 第27-29页 |
| 1.2.1.1 全球卫星导航系统定位法 | 第27页 |
| 1.2.1.2 基于车辆自身信息的航迹推算定位法 | 第27-28页 |
| 1.2.1.3 基于外部环境特征信息的航迹推算方法 | 第28-29页 |
| 1.2.2 同时定位与地图构建技术 | 第29-30页 |
| 1.3 论文的研究内容、方法和主要创新点 | 第30-36页 |
| 1.3.1 论文的课题来源 | 第30-31页 |
| 1.3.2 论文的研究内容与研究方法 | 第31-32页 |
| 1.3.3 论文的主要成果和贡献 | 第32-33页 |
| 1.3.4 论文的组织结构 | 第33-36页 |
| 第二章 长安大学无人车多模式定位系统结构及工作原理 | 第36-68页 |
| 2.1 无人驾驶汽车的总体结构 | 第36-45页 |
| 2.1.1 环境感知系统 | 第38-39页 |
| 2.1.2 融合决策系统 | 第39-41页 |
| 2.1.3 执行控制系统 | 第41-42页 |
| 2.1.4 网络层 | 第42页 |
| 2.1.5 云端应用层 | 第42页 |
| 2.1.6 坐标系与观测模型 | 第42-44页 |
| 2.1.6.1 全局坐标系 | 第42-43页 |
| 2.1.6.2 车身坐标系 | 第43页 |
| 2.1.6.3 2D激光雷达坐标系 | 第43-44页 |
| 2.1.6.4 3D激光雷达坐标系 | 第44页 |
| 2.1.7 数据关联模型 | 第44-45页 |
| 2.2 多模式定位系统的结构与工作原理 | 第45-64页 |
| 2.2.1 基于卫星的全局定位 | 第46-53页 |
| 2.2.1.1 全球导航定位系统定位原理 | 第46-50页 |
| 2.2.1.2 全球导航定位系统误差 | 第50-53页 |
| 2.2.2 基于视觉的定位 | 第53-56页 |
| 2.2.2.1 视觉定位原理 | 第53-55页 |
| 2.2.2.2 视觉定位流程 | 第55-56页 |
| 2.2.3 基于激光雷达的定位 | 第56-59页 |
| 2.2.3.1 激光雷达定位原理 | 第56-58页 |
| 2.2.3.2 激光雷达的优势 | 第58-59页 |
| 2.2.4 基于里程计定位 | 第59-61页 |
| 2.2.4.1 里程计定位原理 | 第59-61页 |
| 2.2.5 基于2D激光雷达的同步定位与地图构建技术分析 | 第61-64页 |
| 2.2.5.1 城市二维地图的创建方法 | 第61-62页 |
| 2.2.5.2 无人驾驶智能汽车基于城市二维地图的定位方法 | 第62-63页 |
| 2.2.5.3 城市二维地图的创建方法的误差分析 | 第63页 |
| 2.2.5.4 2D激光雷达静态测量误差 | 第63-64页 |
| 2.3 多模式定位系统的数据融合 | 第64-65页 |
| 2.4 小结 | 第65-68页 |
| 第三章 全球导航卫星系统接收机正交下变频和NH码解调研究 | 第68-92页 |
| 3.1 基于改进正交数字下变频的基带信号产生 | 第69-76页 |
| 3.1.1 正交数字下变频 | 第70-76页 |
| 3.1.1.1 符号变换序列 | 第71-73页 |
| 3.1.1.2 滤波器的优化 | 第73-76页 |
| 3.1.2 镜像频率抑制比 | 第76页 |
| 3.2 基于傅里叶变换的NH码解调 | 第76-84页 |
| 3.2.1 滑动相关Neuman-Hoffman解调方法 | 第78-81页 |
| 3.2.2 基于傅里叶变换的NH码解调方法 | 第81-84页 |
| 3.3 FPGA实验与结论分析 | 第84-89页 |
| 3.3.1 改进的正交数字下变频的FPGA实现 | 第84-87页 |
| 3.3.2 NH码解调的FPGA实现 | 第87-89页 |
| 3.4 小结 | 第89-92页 |
| 第四章 基于机器学习的城市环境 2D激光特征识别 | 第92-120页 |
| 4.1 基于神经网络的城市环境实体特征提取 | 第92-112页 |
| 4.1.1 二维激光雷达环境特征观测模型 | 第93-99页 |
| 4.1.2 基于神经网络的特征分类 | 第99-112页 |
| 4.1.2.1 观测数据分割算法 | 第99-102页 |
| 4.1.2.2 二维高斯分布映射 | 第102-108页 |
| 4.1.2.3 神经网络分类器 | 第108-110页 |
| 4.1.2.4 分类结果判断 | 第110页 |
| 4.1.2.5 环境特征提取 | 第110-112页 |
| 4.2 特征识别实验与结果分析 | 第112-118页 |
| 4.2.1 特征识别精度实验与分析 | 第114-118页 |
| 4.3 小结 | 第118-120页 |
| 第五章 基于回环检测的高精度无人车 2D激光特征地图构建方法 | 第120-170页 |
| 5.1 基于特征的局部地图创建 | 第120-122页 |
| 5.1.1 基于无迹粒子滤波算法的车辆轨迹跟踪 | 第121-122页 |
| 5.2 基于高斯概率密度的回环检测 | 第122-145页 |
| 5.2.1 八叉树地图 | 第124-127页 |
| 5.2.2 路径回环检测概述 | 第127-131页 |
| 5.2.3 路径回环检测具体步骤 | 第131-134页 |
| 5.2.4 基于三角剖分的路径回环精确判定 | 第134-145页 |
| 5.3 地图的全局优化 | 第145-153页 |
| 5.3.1 全局约束的权重 | 第151-152页 |
| 5.3.2 地图精度的评估 | 第152-153页 |
| 5.4 地图构建实验与结果分析 | 第153-169页 |
| 5.4.1 实验一的实验结果与分析 | 第154-164页 |
| 5.4.1.1 基于粒子滤波的低精度地图 | 第154-155页 |
| 5.4.1.2 路径回环检测 | 第155-164页 |
| 5.4.2 实验二的实验结果与分析 | 第164-169页 |
| 5.5 小结 | 第169-170页 |
| 第六章 结论与展望 | 第170-174页 |
| 6.1 论文总结 | 第170-171页 |
| 6.2 研究展望 | 第171-174页 |
| 参考文献 | 第174-190页 |
| 攻读博士期间取得的成果 | 第190-192页 |
| 致谢 | 第192页 |
