| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| ·研究背景 | 第9页 |
| ·国内外无人自主驾驶汽车的研究现状 | 第9-11页 |
| ·动态目标检测与识别算法研究现状 | 第11-15页 |
| ·动态目标检测算法研究现状 | 第11-13页 |
| ·目标识别算法的研究现状 | 第13-15页 |
| ·目前存在的问题 | 第15-16页 |
| ·动态目标检测存在的问题 | 第15-16页 |
| ·目标识别存在的问题 | 第16页 |
| ·本课题主要研究内容与本文组织结构 | 第16-17页 |
| 第2章 无人自主驾驶汽车组合感知系统与多传感器数据融合 | 第17-28页 |
| ·无人自主驾驶汽车及组合感知系统 | 第17-21页 |
| ·本文所采用的研究方案 | 第21-23页 |
| ·多传感器数据的时空对准 | 第23-27页 |
| ·多传感器信息的空间对准 | 第23-25页 |
| ·多传感器信息的时间对准 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于多传感器数据融合的动态目标检测方法 | 第28-54页 |
| ·极坐标栅格地图构建 | 第28-33页 |
| ·栅格地图 | 第28-30页 |
| ·可通行区域的提取 | 第30-33页 |
| ·基于全局运动补偿与混合高斯模型的动态目标检测方法 | 第33-45页 |
| ·全局运动补偿 | 第33-36页 |
| ·混合高斯模型 | 第36-40页 |
| ·基于全局运动补偿与混合高斯模型的动态目标检测算法 | 第40-42页 |
| ·实验与结果 | 第42-45页 |
| ·基于毫米波雷达与激光点云数据融合的动态目标检测方法 | 第45-53页 |
| ·毫米波雷达数据预处理与基于全局运动补偿的滤波方法 | 第47-48页 |
| ·毫米波雷达数据与点云数据融合 | 第48-49页 |
| ·实验结果 | 第49-53页 |
| ·本章小结 | 第53-54页 |
| 第4章 基于语义模型的点云中的目标识别方法 | 第54-80页 |
| ·点云分割与训练样本生成 | 第55-63页 |
| ·3D 点云的地面点滤波 | 第55-58页 |
| ·点云分割 | 第58-61页 |
| ·训练样本生成 | 第61-63页 |
| ·离线语义模型训练 | 第63-74页 |
| ·3D SIFT 关键点提取 | 第63-66页 |
| ·点云表面法向量估计 | 第66-67页 |
| ·FPFH 特征提取 | 第67-70页 |
| ·视觉单词生成与语义模型构建 | 第70-74页 |
| ·点云块儿在线识别 | 第74-75页 |
| ·实验结果 | 第75-79页 |
| ·本章小结 | 第79-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间发表论文与研究成果清单 | 第86-87页 |
| 致谢 | 第87页 |
