由于人類身體的局限性,駕駛過程存在視覺盲區(qū)、醉駕和疲勞駕駛等因素會(huì)導(dǎo)致交通事故的頻繁發(fā)生。所以如何營(yíng)造一個(gè)安全舒適的駕駛環(huán)境已經(jīng)成為交通領(lǐng)域急需解決的問題。自動(dòng)駕駛技術(shù)能夠避免人類因?yàn)橄忍炀窒扌运鶐淼鸟{駛問題,而自動(dòng)駕駛技術(shù)的最高體現(xiàn)就是實(shí)現(xiàn)擬人駕駛,擬人駕駛需要人類的實(shí)際優(yōu)秀駕駛行為提供指導(dǎo)方法和數(shù)據(jù)支撐并建立學(xué)習(xí)模型。所以本文在以擬人駕駛為目標(biāo)的思想下對(duì)優(yōu)秀駕駛行為進(jìn)行選取研究,并建立精度較高的學(xué)習(xí)模型。首先,在分析城市場(chǎng)景中常見的五種駕駛工況(左轉(zhuǎn)彎、右轉(zhuǎn)彎、車輛啟動(dòng)、車輛制動(dòng)和爬坡過程)的基礎(chǔ)上,基于駕駛模擬器平臺(tái)進(jìn)行試驗(yàn)路線和試驗(yàn)流程的設(shè)計(jì),尋找52名具有不同駕駛特性的駕齡超過兩年的駕駛員在城市場(chǎng)景中進(jìn)行多次的模擬駕駛實(shí)驗(yàn),得到大量駕駛員操作行為信息和車輛運(yùn)動(dòng)狀態(tài)信息,為優(yōu)秀駕駛行為的選取和學(xué)習(xí)模型的建立提供數(shù)據(jù)支持。其次,闡述優(yōu)秀駕駛行為的選取意義,對(duì)比分析多種聚類算法的優(yōu)缺點(diǎn)選出描述能力強(qiáng)、分類結(jié)果明確、計(jì)算高效的最大期望算法(Expectation Maximization Algorithm,EM)的高斯混合模型(Gaussian Mixed Model,GMM)對(duì)...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 前言
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容及章節(jié)安排
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 章節(jié)安排
2 城市道路駕駛模擬試驗(yàn)設(shè)計(jì)
    2.1 試驗(yàn)設(shè)備
        2.1.1 試驗(yàn)設(shè)備的組成
        2.1.2 駕駛模擬平臺(tái)工作原理
    2.2 試驗(yàn)人員的選擇
    2.3 試驗(yàn)場(chǎng)景設(shè)計(jì)
    2.4 試驗(yàn)流程
        2.4.1 試驗(yàn)準(zhǔn)備階段
        2.4.2 試驗(yàn)人員的培訓(xùn)
        2.4.3 試驗(yàn)過程
    2.5 試驗(yàn)數(shù)據(jù)收集
    2.6 本章小結(jié)
3 優(yōu)秀駕駛行為選取
    3.1 選取意義
    3.2 選取場(chǎng)景
    3.3 聚類算法
        3.3.1 算法選取
        3.3.2 高斯混合模型
    3.4 全部行為分析
        3.4.1 左轉(zhuǎn)彎
        3.4.2 右轉(zhuǎn)彎
        3.4.3 啟動(dòng)過程
        3.4.4 制動(dòng)過程
        3.4.5 爬坡過程
    3.5 熟悉場(chǎng)景下的駕駛行為
        3.5.1 熟悉場(chǎng)景的特點(diǎn)
        3.5.2 兩種場(chǎng)景下行為對(duì)比
    3.6 本章小結(jié)
4 優(yōu)秀爬坡駕駛行為學(xué)習(xí)模型
    4.1 學(xué)習(xí)意義及方法
    4.2 隨機(jī)森林原理
        4.2.1 抽樣產(chǎn)生訓(xùn)練集
        4.2.2 構(gòu)建每棵決策樹
        4.2.3 森林的形成
    4.3 隨機(jī)森林模型搭建
        4.3.1 輸入特征選擇
        4.3.2 決策樹數(shù)目
        4.3.3 模型訓(xùn)練
    4.4 神經(jīng)網(wǎng)絡(luò)原理
        4.4.1 神經(jīng)元模型
        4.4.2 多層網(wǎng)絡(luò)
        4.4.3 學(xué)習(xí)算法
    4.5 神經(jīng)網(wǎng)絡(luò)模型搭建
        4.5.1 神經(jīng)元數(shù)目選取
        4.5.2 模型訓(xùn)練
        4.5.3 訓(xùn)練結(jié)果
    4.6 本章小結(jié)
5 全文總結(jié)與研究展望
    5.1 全文工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝



本文編號(hào)：3956158