| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-28页 |
| ·课题背景及意义 | 第12页 |
| ·无人驾驶车辆国内外研究现状 | 第12-21页 |
| ·国外无人驾驶车辆研究现状 | 第12-18页 |
| ·国内无人驾驶车辆研究现状 | 第18-21页 |
| ·无人驾驶车辆运动障碍物避撞系统的相关概念及研究现状 | 第21-25页 |
| ·运动障碍物检测方法 | 第22页 |
| ·运动障碍物预测方法 | 第22-23页 |
| ·运动障碍物避撞方法 | 第23页 |
| ·无人驾驶车辆运动障碍物避撞系统的国内外研究现状 | 第23-25页 |
| ·本文主要创新点及内容安排 | 第25-28页 |
| ·本文主要创新点 | 第25-26页 |
| ·本文内容安排 | 第26-28页 |
| 第2章 无人驾驶车辆运动障碍物避撞系统设计分析 | 第28-52页 |
| ·“智能先锋”号无人驾驶车辆平台 | 第28-47页 |
| ·总体架构 | 第28-31页 |
| ·环境感知层 | 第31-41页 |
| ·决策规划层 | 第41-45页 |
| ·控制执行层 | 第45-47页 |
| ·研究室外复杂环境下无人驾驶车辆运动障碍物检测、预测和避撞的关键问题 | 第47-48页 |
| ·运动障碍物检测的关键问题 | 第47页 |
| ·运动障碍物预测的关键问题 | 第47页 |
| ·运动障碍物避撞的关键问题 | 第47-48页 |
| ·无人驾驶车辆运动障碍物避撞系统设计分析 | 第48-50页 |
| ·设计要求 | 第48页 |
| ·系统设计 | 第48-49页 |
| ·关键方法 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第3章 基于四线激光雷达和三维激光雷达信息融合的运动障碍物检测方法 | 第52-66页 |
| ·Velodyne输出运动障碍物数据处理 | 第52-58页 |
| ·Velodyne输出数据预处理 | 第52-54页 |
| ·障碍物块聚类及特征提取 | 第54-56页 |
| ·障碍物块跟踪 | 第56-58页 |
| ·Ibeo输出运动障碍物数据处理 | 第58-61页 |
| ·Ibeo输出运动障碍物数据格式 | 第59页 |
| ·Ibeo输出数据处理 | 第59-61页 |
| ·传感器数据融合 | 第61-62页 |
| ·“智能先锋”号实验结果 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 基于时空障碍物栅格图的无人驾驶车辆运动障碍物碰撞预测及表示方法 | 第66-80页 |
| ·时空障碍物栅格图的定义 | 第66-69页 |
| ·获取时间查找表 | 第69-70页 |
| ·碰撞预测 | 第70-74页 |
| ·直线预测模型 | 第71-72页 |
| ·弯道预测模型 | 第72-73页 |
| ·路口预测模型 | 第73-74页 |
| ·时空障碍物栅格图的生成方法 | 第74-77页 |
| ·时空障碍物栅格图的直接生成方法 | 第74-75页 |
| ·时空障碍物栅格图的优化生成方法 | 第75-77页 |
| ·“智能先锋”号实验结果 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第5章 基于可搜索连续邻域A~*算法的无人驾驶车辆运动障碍物避撞方法 | 第80-104页 |
| ·可搜索连续邻域A~*算法 | 第80-91页 |
| ·传统A~*算法 | 第80-85页 |
| ·可搜索邻域 | 第85-90页 |
| ·改进A~*算法 | 第90-91页 |
| ·基于可搜索连续邻域A~*算法的无人驾驶车辆运动障碍物避撞方法 | 第91-97页 |
| ·无人驾驶车辆行为选择 | 第91-94页 |
| ·无人驾驶车辆路径规划 | 第94-97页 |
| ·“智能先锋”号实验结果 | 第97-103页 |
| ·可搜索连续邻域A~*算法实验结果 | 第97-100页 |
| ·基于可搜索连续邻域A~*算法的运动障碍物避撞方法实验结果 | 第100-103页 |
| ·本章小结 | 第103-104页 |
| 第6章 总结与展望 | 第104-106页 |
| ·总结 | 第104-105页 |
| ·展望 | 第105-106页 |
| 参考文献 | 第106-114页 |
| 致谢 | 第114-116页 |
| 在读期间发表的学术论文与取得的研究成果 | 第116页 |
