智能车辆前方机动目标的运动状态识别方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 课题的提出 | 第12-15页 |
| 1.2 目标跟踪识别研究概述 | 第15-23页 |
| 1.2.1 目标运动状态估计研究成果综述 | 第17-19页 |
| 1.2.2 目标关联匹配研究成果综述 | 第19-23页 |
| 1.3 主要工作和研究内容 | 第23-25页 |
| 1.4 本章小结 | 第25-26页 |
| 第二章 目标运动状态估计 | 第26-40页 |
| 2.1 引言 | 第26页 |
| 2.2 滤波估计算法 | 第26-28页 |
| 2.2.1 Kalman 滤波 | 第26-28页 |
| 2.2.2 自适应 Kalman 滤波 | 第28页 |
| 2.3 目标运动状态模型 | 第28-38页 |
| 2.3.1 匀速模型 | 第29页 |
| 2.3.2 匀加速模型 | 第29-30页 |
| 2.3.3 Singer 模型 | 第30-32页 |
| 2.3.4 当前统计模型 | 第32-38页 |
| 2.5 方案选择 | 第38-39页 |
| 2.6 本章小节 | 第39-40页 |
| 第三章 目标关联匹配 | 第40-56页 |
| 3.1 引言 | 第40-41页 |
| 3.2 跟踪门的形成方法 | 第41-44页 |
| 3.2.1 跟踪门的基本概念 | 第41-42页 |
| 3.2.2 矩形跟踪门 | 第42-43页 |
| 3.2.3 椭圆形跟踪门 | 第43-44页 |
| 3.3 数据关联算法 | 第44-49页 |
| 3.3.1 最邻近法 | 第45页 |
| 3.3.2 概率数据关联法 | 第45-46页 |
| 3.3.3 联合概率数据关联法 | 第46-48页 |
| 3.3.4 多元假设跟踪法 | 第48-49页 |
| 3.4 目标运动状态预测算法 | 第49-52页 |
| 3.4.1 趋势外推法 | 第49-50页 |
| 3.4.2 Kalman 预测法 | 第50页 |
| 3.4.3 适用于大曲率路段的改进预测算法 | 第50-52页 |
| 3.5 方案选择 | 第52-54页 |
| 3.5.1 目标跟踪识别实现框架 | 第52-53页 |
| 3.5.2 跟踪门选择 | 第53页 |
| 3.5.3 数据关联算法选择 | 第53-54页 |
| 3.5.4 目标位置预测算法选择 | 第54页 |
| 3.6 本章小节 | 第54-56页 |
| 第四章 仿真与实车实验验证 | 第56-92页 |
| 4.1 引言 | 第56页 |
| 4.2 仿真实验验证 | 第56-75页 |
| 4.2.1 目标运动状态估计仿真验证 | 第56-72页 |
| 4.2.2 目标运动状态预测仿真验证 | 第72-75页 |
| 4.3 实车实验平台搭建 | 第75-84页 |
| 4.3.1 传感器平台搭建 | 第75-79页 |
| 4.3.2 激光雷达标定 | 第79-80页 |
| 4.3.3 惯性导航系统当地坐标系位置标定 | 第80-81页 |
| 4.3.4 软件平台搭建 | 第81-82页 |
| 4.3.5 数据预处理 | 第82-84页 |
| 4.4 实车实验验证 | 第84-90页 |
| 4.4.1 目标关联匹配实车实验验证 | 第84-85页 |
| 4.4.2 目标运动状态估计实车实验验证 | 第85-90页 |
| 4.5 本章小节 | 第90-92页 |
| 第五章 全文总结与展望 | 第92-96页 |
| 5.1 本文总结 | 第92-94页 |
| 5.2 未来展望 | 第94-96页 |
| 参考文献 | 第96-102页 |
| 致谢 | 第102页 |
