面向智能驾驶的交通车辆运动预测方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第13-29页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 运动预测方法研究现状 | 第14-24页 |
| 1.2.1 基于物理机理的模型 | 第16-17页 |
| 1.2.2 基于行为的模型 | 第17-22页 |
| 1.2.3 基于交互的模型 | 第22-24页 |
| 1.3 当前研究现状总结与分析 | 第24-25页 |
| 1.4 本文主要研究内容 | 第25-29页 |
| 第2章 基于博弈论的交互式行为预测方法 | 第29-55页 |
| 2.1 问题定义 | 第29-32页 |
| 2.2 博弈论方法概述 | 第32-36页 |
| 2.2.1 正则形式的博弈 | 第32-33页 |
| 2.2.2 合作博弈和非合作博弈 | 第33-34页 |
| 2.2.3 纳什均衡 | 第34页 |
| 2.2.4 纯策略和混合策略 | 第34-35页 |
| 2.2.5 期望效用理论 | 第35-36页 |
| 2.3 行为预测算法框架设计 | 第36-44页 |
| 2.4 收益函数设计 | 第44-52页 |
| 2.4.1 车前可行驶空间 | 第44-45页 |
| 2.4.2 碰撞危险指数 | 第45-51页 |
| 2.4.3 舒适性指数 | 第51-52页 |
| 2.5 收益函数参数标定 | 第52-53页 |
| 2.6 本章小结 | 第53-55页 |
| 第3章 基于连续隐马尔可夫模型的行为识别方法 | 第55-71页 |
| 3.1 隐马尔可夫模型 | 第55-57页 |
| 3.2 基于GMM-HMM的车辆行为识别方法 | 第57-61页 |
| 3.2.1 行为识别GMM-HMM模型建立 | 第57-59页 |
| 3.2.2 行为识别的实现 | 第59-61页 |
| 3.3 GMM-HMM模型离线训练 | 第61-66页 |
| 3.3.1 模型训练方法 | 第61-64页 |
| 3.3.2 训练数据 | 第64-65页 |
| 3.3.3 训练结果 | 第65-66页 |
| 3.4 行为识别结果及分析 | 第66-70页 |
| 3.5 本章小结 | 第70-71页 |
| 第4章 基于高斯过程的运动预测方法 | 第71-91页 |
| 4.1 基于GMM的运动轨迹聚类 | 第72-80页 |
| 4.1.1 样本轨迹获取 | 第72-74页 |
| 4.1.2 高斯混合模型轨迹聚类方法 | 第74-78页 |
| 4.1.3 轨迹聚类结果 | 第78-80页 |
| 4.2 高斯过程运动模型 | 第80-84页 |
| 4.2.1 运动模型设计 | 第80-82页 |
| 4.2.2 模型参数求解 | 第82-83页 |
| 4.2.3 运动模型建模结果 | 第83-84页 |
| 4.3 运动预测 | 第84-89页 |
| 4.3.1 条件概率分布运动预测 | 第84-87页 |
| 4.3.2 预测结果分析 | 第87-89页 |
| 4.4 本章小结 | 第89-91页 |
| 第5章 模型训练数据集与运动预测方法验证 | 第91-107页 |
| 5.1 模型训练数据集 | 第91-95页 |
| 5.1.1 NGSIM交通数据 | 第91-93页 |
| 5.1.2 数据预处理和提取 | 第93-95页 |
| 5.2 运动预测方法验证 | 第95-105页 |
| 5.2.1 场景一：道路汇合强制交互场景 | 第95-103页 |
| 5.2.2 场景二：拥堵道路交互场景 | 第103-105页 |
| 5.3 本章小结 | 第105-107页 |
| 第6章 全文总结与展望 | 第107-109页 |
| 6.1 本文研究内容总结 | 第107-108页 |
| 6.2 未来工作展望 | 第108-109页 |
| 参考文献 | 第109-115页 |
| 作者简介及在读期间所取得的科研成果 | 第115-117页 |
| 致谢 | 第117-118页 |
