摘要 | 第3-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第11-25页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 国内外研究现状分析 | 第13-21页 |
1.2.1 驾驶行为分析及建模 | 第13-15页 |
1.2.2 自然驾驶数据采集及分析 | 第15-17页 |
1.2.3 车辆驾驶风险辨识及分析 | 第17-18页 |
1.2.4 智能车辆发展及协同控制 | 第18-20页 |
1.2.5 当前研究面临的问题 | 第20-21页 |
1.3 课题支撑 | 第21页 |
1.4 研究内容与章节安排 | 第21-24页 |
1.4.1 研究内容 | 第21-22页 |
1.4.2 章节安排 | 第22-24页 |
1.5 本章小结 | 第24-25页 |
第2章 自然驾驶数据采集及驾驶行为特征分析方法 | 第25-39页 |
2.1 引言 | 第25-26页 |
2.2 自然驾驶数据采集 | 第26-31页 |
2.2.1 自然驾驶试验车 | 第26-28页 |
2.2.2 自然驾驶试验被试 | 第28-29页 |
2.2.3 自然驾驶试验过程及线路 | 第29-30页 |
2.2.4 自然驾驶数据预处理 | 第30-31页 |
2.3 车辆驾驶行为特征指标 | 第31-34页 |
2.3.1 车辆操纵特征指标 | 第31-33页 |
2.3.2 车辆运行特征指标 | 第33-34页 |
2.4 车辆驾驶行为特征分析方法 | 第34-38页 |
2.4.1 时域特征分析方法 | 第34-36页 |
2.4.2 频域特征分析方法 | 第36-38页 |
2.5 本章小结 | 第38-39页 |
第3章 自然驾驶数据的时空语义编码及分析方法 | 第39-59页 |
3.1 引言 | 第39-40页 |
3.2 时间序列的符号化表示方法 | 第40-43页 |
3.2.1 符号化表示方法基本概念 | 第40-41页 |
3.2.2 符号化聚合近似方法(SAX) | 第41-43页 |
3.3 基于SAX的自然驾驶数据语义编码方法 | 第43-51页 |
3.3.1 自然驾驶数据特征 | 第43页 |
3.3.2 自然驾驶数据时空语义编码方法 | 第43-50页 |
3.3.3 编码方法补充说明 | 第50-51页 |
3.4 实例分析 | 第51-58页 |
3.4.1 实例试验工况 | 第51页 |
3.4.2 自然驾驶数据语义编码结果 | 第51-53页 |
3.4.3 案例分析结果 | 第53-58页 |
3.5 本章小结 | 第58-59页 |
第4章 基于数据挖掘的车辆驾驶风险聚类研究 | 第59-85页 |
4.1 引言 | 第59-60页 |
4.2 车辆驾驶行为特征参数提取 | 第60-63页 |
4.2.1 车辆驾驶行为参数 | 第60-61页 |
4.2.2 指标参数的提取 | 第61-63页 |
4.3 基于时空数据挖掘的车辆驾驶风险分级方法 | 第63-69页 |
4.3.1 车辆驾驶行为参数主成成分分析 | 第64-65页 |
4.3.2 车辆驾驶行为参数因子分析 | 第65-66页 |
4.3.3 基于系统聚类的车辆驾驶风险分级 | 第66-69页 |
4.4 实例分析 | 第69-83页 |
4.4.1 实例试验工况 | 第69-70页 |
4.4.2 驾驶行为参数因子分析结果 | 第70-72页 |
4.4.3 车辆驾驶风险多级聚类结果 | 第72-79页 |
4.4.4 驾驶人个人因素与车辆驾驶风险关系 | 第79-81页 |
4.4.5 结果评价 | 第81-83页 |
4.5 本章小结 | 第83-85页 |
第5章 基于数据驱动的车辆驾驶风险辨识研究 | 第85-115页 |
5.1 引言 | 第85-86页 |
5.2 车辆驾驶行为的参数量化及风险状态标定 | 第86-91页 |
5.2.1 高风险驾驶事件视频分析 | 第86-87页 |
5.2.2 涉及车辆碰撞风险的驾驶参数量化 | 第87-89页 |
5.2.3 车辆驾驶风险状态标定 | 第89-91页 |
5.3 置信规则库推理方法 | 第91-94页 |
5.3.1 置信规则库系统结构 | 第91-92页 |
5.3.2 基于证据推理的置信规则库推理方法 | 第92-93页 |
5.3.3 置信规则库的优化学习模型 | 第93-94页 |
5.4 基于置信规则库推理的车辆驾驶风险辨识模型 | 第94-109页 |
5.4.1 模型输入量与输出量确定 | 第95-97页 |
5.4.2 初始置信规则库建立 | 第97-101页 |
5.4.3 车辆驾驶风险输出及置信规则库优化 | 第101-105页 |
5.4.4 模型评价 | 第105-109页 |
5.5 基于驾驶模拟器的车辆驾驶风险辨识模型实现 | 第109-114页 |
5.5.1 车辆驾驶模拟器设置 | 第109-110页 |
5.5.2 车辆驾驶风险辨识模型设置 | 第110页 |
5.5.3 系统人机交互预警设置 | 第110-111页 |
5.5.4 试验测试 | 第111-114页 |
5.6 本章小结 | 第114-115页 |
第6章 基于驾驶风险感知的车辆主动避碰控制策略 | 第115-140页 |
6.1 引言 | 第115-116页 |
6.2 基于驾驶风险感知的车辆主动避碰控制框架 | 第116-119页 |
6.2.1 智能网联下的驾驶风险感知 | 第116-117页 |
6.2.2 车辆主动避碰控制技术 | 第117-119页 |
6.3 模型预测控制方法 | 第119-122页 |
6.3.1 基本原理与特点 | 第119-120页 |
6.3.2 状态空间方程及预测模型 | 第120-121页 |
6.3.3 约束优化求解 | 第121-122页 |
6.4 车辆主动避碰控制策略 | 第122-133页 |
6.4.1 车辆动力学模型(状态空间方程) | 第122-125页 |
6.4.2 避碰安全区域及车辆物理约束(状态变量约束) | 第125-132页 |
6.4.3 模型预测控制器设计(约束优化求解) | 第132-133页 |
6.5 复杂交通场景下的主动避碰控制系统仿真验证 | 第133-139页 |
6.5.1 复杂交通环境下试验场景搭建 | 第134-135页 |
6.5.2 试验验证 | 第135-139页 |
6.6 本章小结 | 第139-140页 |
第7章 总结与展望 | 第140-144页 |
7.1 研究工作总结 | 第140-141页 |
7.2 研究创新点 | 第141-142页 |
7.3 研究展望 | 第142-144页 |
致谢 | 第144-146页 |
参考文献 | 第146-160页 |
攻读博士学位期间的学术成果及参加的科研项目 | 第160-163页 |
附录A | 第163-166页 |
附录B | 第166-168页 |