智能駕駛技術(shù)：路徑規(guī)劃與導(dǎo)航控制

前言
第1章　緒論 1
1.1　智能駕駛公交車輛發(fā)展現(xiàn)狀 1
1.2　全局路徑規(guī)劃方法研究現(xiàn)狀 3
1.3　行為決策與運(yùn)動規(guī)劃方法研究現(xiàn)狀 4
1.4　跟蹤控制方法研究現(xiàn)狀 5
參考文獻(xiàn) 6
第2章　基于視覺協(xié)同顯著性的交通標(biāo)志牌檢測 14
2.1　基于視覺協(xié)同顯著性的交通標(biāo)志牌檢測框架設(shè)計 14
2.1.1　基于聚類的圖間/圖內(nèi)顯著性檢測模型子框架 15
2.1.2　幾何結(jié)構(gòu)約束模型子框架 15
2.2　基于視覺協(xié)同顯著性的圖像檢測算法 18
2.2.1　基于聚類的視覺協(xié)同顯著性檢測 18
2.2.2　視覺顯著性線索分析 19
2.2.3　協(xié)同顯著圖的生成 20
2.2.4　各顯著性線索的特性分析 22
2.2.5　幾何結(jié)構(gòu)約束模型 24
2.3　顯著性檢測實驗與分析 26
2.3.1　單圖像顯著性檢測實驗分析 26
2.3.2　圖像對協(xié)同顯著性檢測實驗分析 28
2.3.3　多圖像協(xié)同顯著性檢測實驗分析 29
2.3.4　運(yùn)行速度測試分析 32
2.3.5　聚類數(shù)目影響分析 33
2.4　復(fù)雜場景中交通標(biāo)志牌的檢測實驗分析 34
2.5　本章小結(jié) 36
參考文獻(xiàn) 36
第3章　智能駕駛公交車輛全局路徑規(guī)劃方法 40
3.1　基于ArcGIS地圖創(chuàng)建及全局規(guī)劃 41
3.1.1　ArcGIS系統(tǒng)概述 41
3.1.2　基于ArcGIS的地圖創(chuàng)建 42
3.1.3　基于ArcGIS網(wǎng)絡(luò)分析工具的全局路徑規(guī)劃 55
3.2　最優(yōu)路徑信息處理 56
3.2.1　全局坐標(biāo)系轉(zhuǎn)換 56
3.2.2　全局路徑插值 57
3.3　地圖創(chuàng)建及全局規(guī)劃仿真實驗 58
3.4　本章小結(jié) 61
參考文獻(xiàn) 61
第4章　智能駕駛公交車輛行為決策與運(yùn)動規(guī)劃方法 64
4.1　基于分層有限狀態(tài)機(jī)的智能駕駛公交車輛決策模型 64
4.1.1　頂層狀態(tài)機(jī)設(shè)計 65
4.1.2　底層狀態(tài)機(jī)設(shè)計 65
4.1.3　雙層擴(kuò)展有限狀態(tài)機(jī)行為決策方法 67
4.1.4　基于分層有限狀態(tài)機(jī)的行為決策實驗 67
4.2　基于快速搜索隨機(jī)樹的動態(tài)路徑規(guī)劃方法 70
4.2.1　RRT算法 70
4.2.2　基于起點(diǎn)與終點(diǎn)位姿約束的雙向RRT算法 71
4.2.3　基于起點(diǎn)與終點(diǎn)位姿約束的RRT算法仿真實驗 73
4.3　基于曲線近似的智能駕駛公交車輛動態(tài)軌跡規(guī)劃方法 73
4.3.1　基于貝塞爾曲線的路徑平滑與拼接 74
4.3.2　基于約束的多項式動態(tài)軌跡規(guī)劃方法 79
4.4　基于Frenet坐標(biāo)系的智能駕駛公交車輛運(yùn)動規(guī)劃方法 86
4.4.1　Frenet坐標(biāo)系的建立 86
4.4.2　橫縱向軌跡解耦規(guī)劃 87
4.4.3　基于車輛約束的最優(yōu)軌跡選擇 89
4.4.4　基于Frenet坐標(biāo)系的軌跡規(guī)劃仿真實驗 90
4.5　智能駕駛公交車輛行為決策與運(yùn)動規(guī)劃方法應(yīng)用實例 100
4.5.1　基于高精度地圖與紅外信標(biāo)的智能駕駛公交車輛自動啟停實現(xiàn)方法 100
4.5.2　智能駕駛公交車輛行為決策與運(yùn)動規(guī)劃實車實驗 103
4.6　本章小結(jié) 105
參考文獻(xiàn) 105
第5章　基于深度強(qiáng)化學(xué)習(xí)的智能駕駛公交車輛路徑規(guī)劃方法 107
5.1　深度強(qiáng)化學(xué)習(xí)方法的理論講解 107
5.1.1　強(qiáng)化學(xué)習(xí)理論基礎(chǔ) 107
5.1.2　深度學(xué)習(xí)理論基礎(chǔ) 112
5.1.3　基于深度強(qiáng)化學(xué)習(xí)的路徑規(guī)劃概述 113
5.2　基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)模型構(gòu)建 116
5.3　基于深度強(qiáng)化學(xué)習(xí)的環(huán)境模型構(gòu)建 123
5.3.1　虛擬環(huán)境構(gòu)建 123
5.3.2　環(huán)境模型應(yīng)用策略 124
5.3.3　模型訓(xùn)練 125
5.4　基于深度強(qiáng)化學(xué)習(xí)的路徑規(guī)劃實現(xiàn)方法 127
5.4.1　深度強(qiáng)化學(xué)習(xí)的算法框架 127
5.4.2　關(guān)鍵環(huán)境回報值選取 128
5.4.3　基于深度強(qiáng)化學(xué)習(xí)的路徑規(guī)劃方法實驗分析 130
5.4.4　多種軌跡規(guī)劃方法對比實驗分析 135
5.5　本章小結(jié) 143
參考文獻(xiàn) 143
第6章　智能駕駛公交車輛軌跡跟蹤控制方法 146
6.1　智能駕駛公交車輛運(yùn)動學(xué)與動力學(xué)模型 146
6.1.1　運(yùn)動學(xué)模型 146
6.1.2　動力學(xué)模型 147
6.2　智能駕駛公交車輛軌跡跟蹤控制 149
6.2.1　基于航向預(yù)測的軌跡跟蹤控制及仿真 149
6.2.2　基于運(yùn)動學(xué)模型的軌跡跟蹤控制 152
6.2.3　智能駕駛公交車輛速度控制方法 155
6.3　智能駕駛公交車輛自主泊車控制 158
6.3.1　基于Akerman轉(zhuǎn)向幾何的路徑規(guī)劃 159
6.3.2　基于車輛運(yùn)動學(xué)模型及位置補(bǔ)償?shù)目刂破? 160
6.3.3　智能駕駛公交車輛自主泊車仿真驗證及實車實驗 161
6.4　基于PreScan的智能駕駛公交車輛仿真環(huán)境 163
6.4.1　場景搭建 164
6.4.2　聯(lián)合仿真 172
6.5　本章小結(jié) 173
參考文獻(xiàn) 174
第7章　基于數(shù)據(jù)驅(qū)動的智能駕駛公交車輛主動轉(zhuǎn)向控制方法 177
7.1　基于數(shù)據(jù)驅(qū)動的主動轉(zhuǎn)向控制系統(tǒng)概述 177
7.1.1　智能駕駛公交車輛主動轉(zhuǎn)向控制系統(tǒng)概述 177
7.1.2　數(shù)據(jù)驅(qū)動控制方法概述 177
7.1.3　軌跡跟蹤誤差的向量描述 178
7.1.4　基于數(shù)據(jù)驅(qū)動的車輛模型在線辨識方法 179
7.1.5　基于數(shù)據(jù)驅(qū)動的主動轉(zhuǎn)向控制系統(tǒng)框架 181
7.2　基于自抗擾控制的主動轉(zhuǎn)向控制方法 182
7.2.1　自抗擾控制方法概述 182
7.2.2　自抗擾控制器設(shè)計 182
7.2.3　基于自抗擾控制的主動轉(zhuǎn)向控制器設(shè)計 188
7.3　基于無模型自適應(yīng)的主動轉(zhuǎn)向控制方法 189
7.3.1　無模型自適應(yīng)控制方法概述 189
7.3.2　基于預(yù)瞄偏差角的跟蹤控制方案 189
7.3.3　基于無模型自適應(yīng)的主動轉(zhuǎn)向控制器設(shè)計 190
7.4　基于TruckSim的跟蹤控制仿真方法 191
7.4.1　聯(lián)合仿真平臺的搭建 191
7.4.2　仿真環(huán)境下跟蹤控制性能驗證 199
7.4.3　控制器遷移至真實環(huán)境的可行性評估 203
7.5　本章小結(jié) 204
參考文獻(xiàn) 204
附錄 206
第8章　智能駕駛技術(shù)展望 213
8.1　智能駕駛路徑規(guī)劃技術(shù)展望 213
8.2　智能駕駛跟蹤控制技術(shù)展望 214
8.3　智能駕駛仿真環(huán)境展望 215
8.4　技術(shù)展望 216
8.5　本章小結(jié) 217
參考文獻(xiàn) 217