| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-14页 |
| 1.2.1 驾驶信息数据采集 | 第9-11页 |
| 1.2.2 人机共驾理论与驾驶权分配研究 | 第11-12页 |
| 1.2.3 驾驶员行为特性和驾驶技能研究 | 第12-14页 |
| 1.3 研究内容与目的 | 第14-15页 |
| 1.4 研究技术路线 | 第15-16页 |
| 2 驾驶模拟平台搭建 | 第16-26页 |
| 2.1 驾驶视景仿真环境搭建 | 第16-21页 |
| 2.1.1 三维软件建模 | 第16-17页 |
| 2.1.2 三维实时渲染 | 第17-20页 |
| 2.1.3 车辆运动模型构建 | 第20-21页 |
| 2.2 驾驶模拟器架构和交互设计 | 第21-25页 |
| 2.2.1 驾驶模拟器架构 | 第21-23页 |
| 2.2.2 视景仿真交互设计 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 交通环境构建和数据采集 | 第26-34页 |
| 3.1 复杂交通环境构建和数据采集 | 第26-31页 |
| 3.1.1 交通仿真环境构建 | 第26-27页 |
| 3.1.2 数据采集模块 | 第27-28页 |
| 3.1.3 车辆队列驾驶优化 | 第28-31页 |
| 3.2 模拟驾驶实验 | 第31-33页 |
| 3.2.1 受试驾驶员信息采集 | 第31-32页 |
| 3.2.2 驾驶模拟器长时跟驰驾驶实验 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于驾驶数据驾驶员特性分析 | 第34-45页 |
| 4.1 驾驶员特性指标选取 | 第34-36页 |
| 4.2 基于模糊聚类法的驾驶特性分析 | 第36-40页 |
| 4.3 长时跟驰工况驾驶员特性变化 | 第40-42页 |
| 4.4 基于熵权法的驾驶风险度分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 基于ANP-BP算法驾驶员能力评估 | 第45-59页 |
| 5.1 驾驶员能力评估 | 第45-46页 |
| 5.2 网络分析法和神经网络方法 | 第46-51页 |
| 5.2.1 ANP网络分析法 | 第46-48页 |
| 5.2.2 BP神经网络算法 | 第48-51页 |
| 5.2.3 Levenberg-Marquardt迭代算法 | 第51页 |
| 5.3 基于ANP-BP方法的改进评估模型 | 第51-54页 |
| 5.4 基于驾驶员特性的实时驾驶能力估计 | 第54-58页 |
| 5.4.1 驾驶员特性-驾驶能力关系 | 第54-56页 |
| 5.4.2 基于动态时窗的实时驾驶能力估计 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 研究总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67-72页 |
| A.作者在攻读硕士学位期间取得的科研成果 | 第67页 |
| B.作者在攻读硕士学位期间参与的科研项目 | 第67页 |
| C.部分代码 | 第67-72页 |