智能駕駛車輛通過(guò)模擬真實(shí)駕駛員對(duì)行駛路況的洞察能力,利用環(huán)境感知系統(tǒng)及信息融合技術(shù)(以下簡(jiǎn)稱“環(huán)感技術(shù)”)實(shí)現(xiàn)了對(duì)周圍環(huán)境的語(yǔ)義級(jí)理解,同時(shí)為擬人化的車輛行為決策過(guò)程提供了更為全面的信息支持。本文依托于國(guó)家科技部項(xiàng)目“電動(dòng)自動(dòng)駕駛汽車關(guān)鍵技術(shù)研究與示范運(yùn)行”子課題“復(fù)雜道路環(huán)境協(xié)同感知與目標(biāo)跟蹤技術(shù)”,針對(duì)智能車環(huán)感技術(shù)中的核心問(wèn)題,提出了智能車可行駛區(qū)域建模的概念,其中通過(guò)結(jié)合先驗(yàn)知識(shí)與車載傳感器獲取的行駛狀態(tài)信息,建立了當(dāng)前車輛周圍環(huán)境的緊湊表達(dá)模型,加深了智能車對(duì)所處環(huán)境的理解力,同時(shí)增強(qiáng)了智能車行駛的安全性。本文的主要內(nèi)容如下:(1)道路車輛的預(yù)測(cè)與行為識(shí)別算法研究為了預(yù)測(cè)并識(shí)別道路環(huán)境中其他車輛的行駛意圖,首先,本文利用無(wú)損卡爾曼濾波和車輛二次運(yùn)動(dòng)模型,進(jìn)行車輛運(yùn)動(dòng)狀態(tài)的跟蹤與預(yù)測(cè);進(jìn)而,在隱馬爾可夫模型的基礎(chǔ)上建立了車輛的行為識(shí)別模型,實(shí)現(xiàn)了對(duì)車輛未來(lái)行為意圖的預(yù)測(cè)與概率估計(jì);最終,利用NGSIM(Next Generation Simulation,“下一代仿真”)交通數(shù)據(jù)集進(jìn)行了模型的離線訓(xùn)練與功能測(cè)試。(2)動(dòng)態(tài)概率駕駛地圖的生成與更新算法為了使智能車的可行駛區(qū)域可視...

【文章頁(yè)數(shù)】：105 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1道路環(huán)境車輛信息讀取等級(jí)

圖1.1道路環(huán)境車輛信息讀取等級(jí)及駕駛輔助概述車輔助決策類型級(jí)別如圖1.2所示，駛輔助和自動(dòng)駕駛系統(tǒng)進(jìn)行了融合另一端是完全的自動(dòng)駕駛，這仍然于圖1.2中預(yù)測(cè)駕駛輔助的范疇，借的緊湊表達(dá)，并對(duì)車輛的行駛狀態(tài)進(jìn)

圖1.2智能車輔助決策類型級(jí)別

圖1.1道路環(huán)境車輛信息讀取等級(jí)可行駛區(qū)域建模及駕駛輔助概述前國(guó)際通用的智能車輔助決策類型級(jí)別如圖1.2所示，其中一端是完全手動(dòng)協(xié)同駕駛對(duì)預(yù)測(cè)駕駛輔助和自動(dòng)駕駛系統(tǒng)進(jìn)行了融合，允許駕駛員和車輛縫銜接，在圖譜的另一端是完全的自動(dòng)駕駛，這仍然是一個(gè)活躍的研究領(lǐng)研究的主要內(nèi)容屬....

圖1.3動(dòng)態(tài)概率駕駛地示意圖

定推理的方法，具有直接表達(dá)不確定和不知道的能力。利用這種方法，單元的占用情況由置信質(zhì)量進(jìn)行表示，而不再是概率的形式，置信質(zhì)量通常是歷史和當(dāng)前觀測(cè)數(shù)據(jù)的加權(quán)和。T.-N.Nguyen[23]使用加權(quán)質(zhì)量方法進(jìn)行占用網(wǎng)格計(jì)算。J.Moras[24]通過(guò)融合激光雷達(dá)和地理參....

圖1.4可行駛區(qū)域的生成方法及步驟綜上所述，國(guó)內(nèi)外研究機(jī)構(gòu)及高校先后提出了多種車輛可行駛區(qū)域建模的方法

圖1.4可行駛區(qū)域的生成方法及步驟，國(guó)內(nèi)外研究機(jī)構(gòu)及高校先后提出了多種車輛可行駛區(qū)域建城市智能輔助項(xiàng)目聯(lián)合加州大學(xué)所提出的動(dòng)態(tài)概率駕駛地圖[出了基于道路車輛行為預(yù)測(cè)與行為識(shí)別算法實(shí)現(xiàn)動(dòng)態(tài)駕駛地。本文使用環(huán)境的可行駛區(qū)域模型來(lái)進(jìn)行頂層的推理和決策填充可行駛區(qū)域模型，而是使用可行....

本文編號(hào)：3997589