| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究方法 | 第13-18页 |
| 1.2.1 国外研究方法 | 第13-16页 |
| 1.2.2 国内研究方法 | 第16-18页 |
| 1.3 研究现状总结 | 第18-20页 |
| 1.4 本文主要工作及思路 | 第20-22页 |
| 2 基于BA-BP算法的行驶路况评价方法 | 第22-39页 |
| 2.1 行驶道路状况基本特征的选取和定义 | 第22-28页 |
| 2.1.1 路面平整度 | 第23-25页 |
| 2.1.2 路面弯曲度 | 第25-26页 |
| 2.1.3 动态障碍物 | 第26-28页 |
| 2.2 动态障碍物的主要特征提取 | 第28-31页 |
| 2.2.1 障碍物有效面积比 | 第29-30页 |
| 2.2.2 障碍系数 | 第30-31页 |
| 2.2.3 标准化处理 | 第31页 |
| 2.3 基于BA-BP算法的路况评价模型 | 第31-38页 |
| 2.3.1 BP神经网络 | 第32-33页 |
| 2.3.2 蝙蝠算法 | 第33-34页 |
| 2.3.3 BA-BP算法 | 第34-36页 |
| 2.3.4 基于BA-BP算法的路况评价模型 | 第36-38页 |
| 2.4 本章小结 | 第38-39页 |
| 3 基于强化学习的仿人智能控制算法的自主避障系统 | 第39-55页 |
| 3.1 控制方法的选取 | 第39页 |
| 3.2 仿人智能控制(HSIC) | 第39-43页 |
| 3.2.1 HSIC的基本思想 | 第39-41页 |
| 3.2.2 HSIC算法分析 | 第41-42页 |
| 3.2.3 HSIC结构流程图 | 第42-43页 |
| 3.3 基于强化学习的HSIC算法 | 第43-47页 |
| 3.3.1 HSIC算法的优点和不足 | 第43-44页 |
| 3.3.2 强化学习算法 | 第44-45页 |
| 3.3.3 基于强化学习的HSIC参数学习和优化 | 第45-47页 |
| 3.4 避障策略的参数计算 | 第47-50页 |
| 3.4.1 避障轨迹的规划 | 第47-48页 |
| 3.4.2 避障最小安全距离 | 第48-49页 |
| 3.4.3 避障的转弯半径 | 第49-50页 |
| 3.4.4 加速度 | 第50页 |
| 3.5 基于强化学习和HSIC算法的自主避障控制系统 | 第50-54页 |
| 3.5.1 控制器的设计思路 | 第50-52页 |
| 3.5.2 运行控制级 | 第52-53页 |
| 3.5.3 参数校正级 | 第53-54页 |
| 3.6 本章小结 | 第54-55页 |
| 4 实验与分析 | 第55-72页 |
| 4.1 行驶路况评价的实验分析 | 第55-66页 |
| 4.1.1 道路与障碍物检测试验 | 第55-59页 |
| 4.1.2 特征数据采集与处理 | 第59-60页 |
| 4.1.3 基于BA-BP算法的行驶路况评价模型实验 | 第60-62页 |
| 4.1.4 对比分析实验 | 第62-66页 |
| 4.2 智能车自主避障的实验分析 | 第66-71页 |
| 4.2.1 避障控制实验 | 第66-69页 |
| 4.2.2 避障对比实验 | 第69-71页 |
| 4.3 本章小结 | 第71-72页 |
| 5 结论与展望 | 第72-74页 |
| 5.1 论文工作总结 | 第72-73页 |
| 5.2 进一步工作展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |