基于人工智能的無人駕駛車輛路面識別技術(shù)

目 錄
前 言
第 １章 車載激光雷達(dá) １
１.１ 概述 １
１.２ 激光測距技術(shù) ２
１.２.１ 脈沖測距 ２
１.２.２ 相位測距 ３
１.２.３ 三角測距 ４
１.３ 激光雷達(dá)在自動駕駛中的應(yīng)用 ５
１.４ 激光雷達(dá)的分類 ６
１.４.１ 單線激光雷達(dá) ６
１.４.２ 多線激光雷達(dá) ７
１.４.３ 激光雷達(dá)的技術(shù)發(fā)展 １４
第 ２章 地面機(jī)器人路面識別技術(shù) １６
２.１ 基于加速度傳感器的地形判別 １６
２.２ 基于相機(jī)圖像的地形視覺判別 ２６
２.３ 基于激光雷達(dá)的地形識別 ３７
２.４ 多種傳感器的融合 ４７
第 ３章 基于機(jī)器學(xué)習(xí)及馬爾科夫隨機(jī)場的路面識別技術(shù) ６４
３.１ 路面輪廓估計(jì) ６４
３.１.１ 加速度 （ａｃｃ－ｔ） ６４
３.１.２ 四分之一車輛模型 （ａｃｃ－ｔｔｏｙ－ｔ） ６５
３.１.３ 垂直位移 （ｙ－ｔ） ６７
３.１.４ 速度 （ｖ－ｔ） ６８
３.１.５ 速度到位移 （ｖ－ｔｔｏｘ－ｔ） ６８
３.１.６ 路面輪廓 （ｙ－ｘ） ６８
３.２ 特征提取 ７０
３.２.１ 從路面輪廓 （ｙ－ｘ）中提取的 ＦＦＴ特征 ７２
３.２.２ 從加速度 （ａｃｃ－ｔ）中提取的 ＦＦＴ特征 ７５
３.２.３ 從加速度 （ａｃｃ－ｔ）和路面輪廓 （ｙ－ｘ）中提取的
快速小波變換特征 （ＦＷＴ） ７５
３.３ 歸一化 ７６
３.４ 主成分分析 ＰＣＡ ７７
３.５ Ｋ－ｆｏｌｄ交叉驗(yàn)證 ７７
３.６ 其他分類器的嘗試 ７７
３.６.１ 樸素貝葉斯分類器 ７８
３.６.２ 神經(jīng)網(wǎng)絡(luò)分類器 ７８
３.６.３ 支持向量機(jī)分類器 ８０
３.７ 實(shí)驗(yàn) ８１
３.７.１ 概述 ８１
３.７.２ 關(guān)于加速度的平臺實(shí)驗(yàn) ８３
３.８ 實(shí)驗(yàn)結(jié)果 ８５
３.８.１ 特征選擇 ８５
３.８.２ 速度獨(dú)立性測試 ８６
３.８.３ 分類器選擇 ８８
３.８.４ 加速度實(shí)驗(yàn)結(jié)果 ８９
３.９ 總結(jié) ９２
第 ４章 基于圖像數(shù)據(jù)的路面類型分類 ９３
４.１ 圖像紋理特征 ９４
Ⅵ 基于人工智能的無人駕駛車輛路面識別技術(shù)
４.２ 建立圖像特征矩陣 ９５
４.２.１ 灰度共生矩陣 ９５
４.２.２ 特征提取和特征矩陣信息 ９６
４.３ 實(shí)驗(yàn)驗(yàn)證 ９９
４.３.１ 實(shí)驗(yàn)平臺 ９９
４.３.２ 基于圖像的實(shí)驗(yàn) ９９
４.４ 實(shí)驗(yàn)結(jié)果 １００
４.５ 結(jié)論 １０５
第 ５章 基于激光雷達(dá)的路面類型分類 １０６
５.１ 激光雷達(dá)的掃描方式 １０６
５.２ 道路表面重建 １０７
５.２.１ 距離數(shù)據(jù)的處理 １０７
５.２.２ 速度數(shù)據(jù)的處理 １０８
５.２.３ 道路表面 １０８
５.３ 特征矩陣 １０９
５.４ 實(shí)驗(yàn) １１０
５.４.１ 實(shí)驗(yàn)平臺 １１０
５.４.２ 實(shí)驗(yàn)結(jié)果 １１１
５.５ 結(jié)論 １１５
第 ６章 馬爾科夫隨機(jī)場的多傳感器融合路面類型分類 １１６
６.１ 前置激光雷達(dá)的預(yù)測 １１６
６.２ 馬爾科夫隨機(jī)場算法 （ＭＲＦ） １１８
６.２.１ 條件獨(dú)立性 １１８
６.２.２ 分解特性 １２０
６.３ 馬爾科夫隨機(jī)場的建立 １２１
６.３.１ 馬爾科夫隨機(jī)場中的節(jié)點(diǎn) １２２
目 錄 Ⅶ
６.３.２ 馬爾科夫隨機(jī)場中節(jié)點(diǎn)的隨機(jī)變量 １２２
６.３.３ 馬爾科夫隨機(jī)場中的節(jié)點(diǎn) １２３
６.３.４ 馬爾科夫隨機(jī)場中的節(jié)點(diǎn)值 １２３
６.３.５ 能量函數(shù) １２４
６.３.６ 最優(yōu)化 １２５
６.４ 實(shí)驗(yàn) １２５
６.４.１ 實(shí)驗(yàn)平臺 １２５
６.４.２ 基于多傳感器融合的實(shí)驗(yàn) １２５
６.５ 實(shí)驗(yàn)結(jié)果 １２５
６.６ 結(jié)論 １２９
后記 回顧與展望 １３０
參考文獻(xiàn) １３２