| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题的背景与提出 | 第11-14页 |
| 1.2 国内外相关研究综述 | 第14-18页 |
| 1.2.1 多传感器融合的研究现状 | 第14-17页 |
| 1.2.2 多传感器融合中目标关联匹配方法的研究现状 | 第17-18页 |
| 1.3 交通车辆综合认知需要解决的问题 | 第18-20页 |
| 1.4 本文的主要研究内容及章节安排 | 第20-21页 |
| 第2章 综合认知整体框架 | 第21-29页 |
| 2.1 融合的层次 | 第21-22页 |
| 2.2 融合的结构 | 第22-24页 |
| 2.2.1 传感器-传感器航迹融合 | 第23-24页 |
| 2.2.2 传感器-系统航迹融合 | 第24页 |
| 2.3 本文的融合策略以及综合认知整体框架 | 第24-26页 |
| 2.3.1 本文的融合策略 | 第24-25页 |
| 2.3.2 本文综合认知的整体框架 | 第25-26页 |
| 2.4 智能汽车驾驶环境内交通车辆的环境表达 | 第26页 |
| 2.5 本章小结 | 第26-29页 |
| 第3章 跟踪与运动状态估计 | 第29-45页 |
| 3.1 DS和几何方法并行的数据关联 | 第30-37页 |
| 3.1.1 常用的数据关联方法 | 第30-33页 |
| 3.1.2 基于DS证据的质点关联方法 | 第33-35页 |
| 3.1.3 基于轮廓的几何关联方法 | 第35-37页 |
| 3.2 传感器感知对象的融合 | 第37-38页 |
| 3.3 交通车辆运动状态估计 | 第38-42页 |
| 3.3.1 运动状态模型建立 | 第38-42页 |
| 3.3.2 运动状态滤波估计 | 第42页 |
| 3.4 本章小结 | 第42-45页 |
| 第4章 基于几何特征的卡尔曼滤波轮廓估计 | 第45-51页 |
| 4.1 特征点的选择 | 第46-47页 |
| 4.2 轮廓融合估计 | 第47-48页 |
| 4.2.1 当前帧轮廓的估计 | 第47-48页 |
| 4.2.2 择优轮廓滤波估计 | 第48页 |
| 4.3 特征点到形心位置的转换 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 仿真与实验验证 | 第51-69页 |
| 5.1 智能汽车感知系统 | 第51-56页 |
| 5.1.1 传感器性能参数 | 第52页 |
| 5.1.2 传感器数据预处理 | 第52-56页 |
| 5.2 虚拟仿真验证 | 第56-60页 |
| 5.2.1 运动状态估计 | 第57-59页 |
| 5.2.2 轮廓估计 | 第59-60页 |
| 5.3 实车实验验证 | 第60-68页 |
| 5.3.1 运动状态估计 | 第61-64页 |
| 5.3.2 多个车辆不同传感器的关联结果 | 第64-66页 |
| 5.3.3 对大型车辆的检测与融合效果 | 第66-67页 |
| 5.3.4 轮廓估计 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 全文总结与研究展望 | 第69-73页 |
| 6.1 全文总结 | 第69-70页 |
| 6.2 研究展望 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79页 |