| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 智能车研究现状 | 第11-16页 |
| 1.2.1 国外智能车研究现状 | 第11-14页 |
| 1.2.2 国内智能车研究现状 | 第14-16页 |
| 1.3 递归神经网络研究现状 | 第16-19页 |
| 1.4 研究内容 | 第19-20页 |
| 1.5 章节安排 | 第20-21页 |
| 第二章 智能车决策方法综述 | 第21-32页 |
| 2.1 引言 | 第21-22页 |
| 2.2 智能车决策方法研究背景 | 第22-23页 |
| 2.3 传统智能车决策方法 | 第23-28页 |
| 2.3.1 基于规则的决策方法 | 第23-25页 |
| 2.3.2 基于统计的决策方法 | 第25-28页 |
| 2.4 智能车端到端决策方法 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 时空联合递归神经网络的智能车端到端决策方法 | 第32-54页 |
| 3.1 引言 | 第32-33页 |
| 3.2 智能车决策问题描述 | 第33-39页 |
| 3.2.1 智能车决策问题中的挑战 | 第33页 |
| 3.2.2 时空约束方法 | 第33-39页 |
| 3.3 时空时空联合递归神经网络设计 | 第39-47页 |
| 3.3.1 时空约束神经网络作用层 | 第40-43页 |
| 3.3.2 时空约束的必要性 | 第43-44页 |
| 3.3.3 时空约束神经网络框架 | 第44-47页 |
| 3.4 实验与分析 | 第47-53页 |
| 3.4.1 实验数据与实验环境 | 第47页 |
| 3.4.2 评判标准与参数设置 | 第47-48页 |
| 3.4.3 实验对比与分析 | 第48-53页 |
| 3.4.4 实验结论 | 第53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 时空特征融合递归神经网络的智能车端到端决策方法 | 第54-71页 |
| 4.1 引言 | 第54-55页 |
| 4.2 时空特征融合递归神经网络设计 | 第55-60页 |
| 4.2.1 时空特征融合递归神经网络作用层 | 第55-57页 |
| 4.2.2 时空特征融合方法 | 第57-58页 |
| 4.2.3 时空特征融合网络框架 | 第58-60页 |
| 4.3 实验与分析 | 第60-70页 |
| 4.3.1 实验环境 | 第60页 |
| 4.3.2 数据集与评判标准 | 第60-61页 |
| 4.3.3 在Commaai数据集上的实验 | 第61-65页 |
| 4.3.4 在Udacity数据集上的实验 | 第65-70页 |
| 4.3.5 实验结论 | 第70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 面向高速公路场景的智能车端到端决策方法 | 第71-82页 |
| 5.1 引言 | 第71页 |
| 5.2 高速公路场景下的决策问题描述 | 第71-72页 |
| 5.3 高速公路场景下的端到端决策系统 | 第72-77页 |
| 5.3.1 模型迁移方法 | 第72-74页 |
| 5.3.2 深度神经网络中的finetuning方法 | 第74-75页 |
| 5.3.3 高速公路场景下的端到端决策系统框架 | 第75-77页 |
| 5.4 实验与分析 | 第77-81页 |
| 5.4.1 实验环境与参数设置 | 第77-78页 |
| 5.4.2 实验结果分析 | 第78-80页 |
| 5.4.3 实验结论 | 第80-81页 |
| 5.5 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 本文总结 | 第82-83页 |
| 6.2 未来展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-91页 |
| 攻读硕士学位期间取得的成果 | 第91页 |
