| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 本文研究背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 智能汽车的国内外研究现状 | 第12-16页 |
| 1.2.2 横向避障的国内外研究现状 | 第16-18页 |
| 1.3 本文技术路线和研究内容 | 第18-21页 |
| 1.3.1 技术路线 | 第18-19页 |
| 1.3.2 研究内容 | 第19-21页 |
| 第2章 基于机器学习的车辆目标检测方法 | 第21-31页 |
| 2.1 前言 | 第21页 |
| 2.2 目标检测方法 | 第21-22页 |
| 2.2.1 光流法 | 第21页 |
| 2.2.2 差分图像法 | 第21-22页 |
| 2.2.3 基于特征的检测算法 | 第22页 |
| 2.3 Haar-like特征算子 | 第22-24页 |
| 2.4 AdaBoost算法理论基础 | 第24-26页 |
| 2.5 AdaBoost分类器的训练 | 第26-29页 |
| 2.5.1 样本集建立 | 第26-28页 |
| 2.5.2 分类器训练过程 | 第28-29页 |
| 2.6 实验结果与分析 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 基于多传感器融合的车辆检测 | 第31-43页 |
| 3.1 前言 | 第31页 |
| 3.2 多传感器融合车辆检测算法流程 | 第31-32页 |
| 3.3 图像预处理 | 第32-34页 |
| 3.3.1 图像灰度化 | 第32-33页 |
| 3.3.2 图像灰度增强处理 | 第33页 |
| 3.3.3 图像滤波处理 | 第33-34页 |
| 3.4 多传感器融合方法 | 第34-38页 |
| 3.4.1 工业相机的标定 | 第35-37页 |
| 3.4.2 工业相机与激光雷达的联合标定 | 第37页 |
| 3.4.3 多传感器时间融合 | 第37-38页 |
| 3.5 多传感器融合的车辆检测方法 | 第38-42页 |
| 3.5.1 多传感器融合 | 第39-40页 |
| 3.5.2 感兴趣区域的产生 | 第40-41页 |
| 3.5.3 AdaBoost分类器基于感兴趣区域的车辆检测 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于模型预测控制的横向避障控制系统设计 | 第43-58页 |
| 4.1 前言 | 第43页 |
| 4.2 全局参考轨迹规划 | 第43-44页 |
| 4.3 模型预测控制原理 | 第44-46页 |
| 4.3.1 预测模型 | 第45页 |
| 4.3.2 滚动优化 | 第45-46页 |
| 4.3.3 反馈校正 | 第46页 |
| 4.4 预测模型建立 | 第46-51页 |
| 4.4.1 车辆动力学模型与轮胎模型建立 | 第46-50页 |
| 4.4.2 线性时变模型预测控制 | 第50-51页 |
| 4.5 模型预测控制跟踪控制器设计 | 第51-54页 |
| 4.5.1 轨迹跟踪的约束条件建立 | 第51-53页 |
| 4.5.2 优化求解 | 第53-54页 |
| 4.6 模型预测控制轨迹重规划器设计 | 第54-56页 |
| 4.6.1 参考位置选取方法 | 第54-55页 |
| 4.6.2 改进的局部重规划算法 | 第55-56页 |
| 4.7 本章小结 | 第56-58页 |
| 第5章 仿真与试验验证 | 第58-69页 |
| 5.1 前言 | 第58页 |
| 5.2 建模与仿真 | 第58-65页 |
| 5.2.1 横向控制系统仿真平台搭建 | 第58-59页 |
| 5.2.2 仿真基本参数 | 第59页 |
| 5.2.3 对于静态障碍车辆的横向避障的仿真验证 | 第59-62页 |
| 5.2.4 对于动态障碍车辆的横向避障的仿真验证 | 第62-65页 |
| 5.3 实车试验验证 | 第65-67页 |
| 5.3.1 实车试验平台的搭建 | 第65-66页 |
| 5.3.2 多传感器融合车辆检测的试验验证 | 第66-67页 |
| 5.4 本章小结 | 第67-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 附录A 攻读学位期间发表的学术论文目录 | 第77页 |