先進(jìn)輔助駕駛系統(tǒng)（Advanced Driving Assistance System,ADAS）應(yīng)為駕駛員帶來(lái)安全舒適的駕駛體驗(yàn)。與換道相關(guān)的ADAS主要有并線輔助系統(tǒng)、車道偏離預(yù)警系統(tǒng)以及車道保持輔助系統(tǒng)。由于這些ADAS存在不能準(zhǔn)確理解駕駛員意圖的缺陷,經(jīng)常對(duì)駕駛員產(chǎn)生不必要的干擾與誤警,致使其利用率較低。此外,在共享控制系統(tǒng)中,需根據(jù)駕駛員換道意圖識(shí)別結(jié)果,獲取不同場(chǎng)景下共享控制的控制權(quán)重分配。因此準(zhǔn)確識(shí)別駕駛員換道意圖具有重要意義。本論文在國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2016YFB0101102）“電動(dòng)汽車智能輔助駕駛技術(shù)研發(fā)及產(chǎn)業(yè)化”以及國(guó)家自然科學(xué)基金（U1664263）“中國(guó)汽車產(chǎn)業(yè)創(chuàng)新發(fā)展聯(lián)合基金”的資助下,對(duì)駕駛員換道行駛過(guò)程進(jìn)行分析,建立對(duì)應(yīng)工況的多維高斯混合隱馬爾可夫（Multi-dimension Gauss HMM,MGHMM）駕駛員意圖識(shí)別模型,并分析影響模型識(shí)別效果的因素,主要包括以下幾個(gè)方面:（1）鑒于HMM對(duì)時(shí)序數(shù)據(jù)建模具備優(yōu)良的性能,本文首先分析了HMM在駕駛員換道意圖識(shí)別的應(yīng)用問(wèn)題,分別建立車道保持意圖識(shí)別HMM模型左換道意圖識(shí)別HMM模型以及右換道意... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 駕駛行為及駕駛意圖辨識(shí)類別
        1.2.2 駕駛員換道意圖辨識(shí)方法
        1.2.3 駕駛員換道意圖辨識(shí)中觀測(cè)數(shù)據(jù)選取
    1.3 存在的主要問(wèn)題
    1.4 本文主要內(nèi)容及章節(jié)安排
        1.4.1 科研項(xiàng)目資助情況
        1.4.2 研究目標(biāo)
        1.4.3 主要研究?jī)?nèi)容
        1.4.4 章節(jié)安排
第2章 駕駛員換道意圖識(shí)別建模
    2.1 引言
    2.2 隱馬爾可夫模型（HMM）簡(jiǎn)介
        2.2.1 隱馬爾可夫模型（HMM）基本結(jié)構(gòu)
        2.2.2 HMM模型的基本算法
    2.3 多維隱馬爾可夫模型
        2.3.1 多維離散隱馬爾可夫模型
        2.3.2 多維高斯隱馬爾可夫模型
    2.4 駕駛員換道意圖識(shí)別建模
        2.4.1 單一工況駕駛員換道意圖識(shí)別建模
        2.4.2 駕駛員換道意圖識(shí)別過(guò)程
        2.4.3 具備模型匹配功能的復(fù)合工況駕駛員換道意圖識(shí)別模型
    2.5 本章小結(jié)
第3章 模擬駕駛平臺(tái)搭建及實(shí)驗(yàn)設(shè)計(jì)
    3.1 引言
    3.2 模擬駕駛實(shí)驗(yàn)平臺(tái)簡(jiǎn)介
    3.3 模擬駕駛實(shí)驗(yàn)設(shè)計(jì)
        3.3.1 模擬駕駛實(shí)驗(yàn)場(chǎng)景搭建
        3.3.2 數(shù)據(jù)采集實(shí)驗(yàn)設(shè)計(jì)
    3.4 觀測(cè)數(shù)據(jù)分析篩選
        3.4.1 觀測(cè)數(shù)據(jù)預(yù)處理
        3.4.2 觀測(cè)數(shù)據(jù)篩選
    3.5 觀測(cè)數(shù)據(jù)有效性驗(yàn)證分析
    3.6 本章小結(jié)
第4章 駕駛員換道意圖識(shí)別模型參數(shù)訓(xùn)練及驗(yàn)證
    4.1 引言
    4.2 模型參數(shù)訓(xùn)練
        4.2.1 建立訓(xùn)練樣本數(shù)據(jù)庫(kù)
        4.2.2 MGHMM模型狀態(tài)數(shù)及高斯混合數(shù)選取
        4.2.3 MGHMM模型訓(xùn)練
    4.3 單一工況模型驗(yàn)證
        4.3.1 單一工況模型測(cè)試數(shù)據(jù)庫(kù)建立
        4.3.2 單一工況模型驗(yàn)證
        4.3.3 驗(yàn)證結(jié)果分析
    4.4 復(fù)合工況模型驗(yàn)證
        4.4.1 復(fù)合工況模型驗(yàn)證數(shù)據(jù)庫(kù)建立
        4.4.2 復(fù)合工況模型驗(yàn)證
        4.4.3 復(fù)合工況具備模型匹配功能的MGHMM模型驗(yàn)證
        4.4.4 驗(yàn)證結(jié)果分析
    4.5 本章小結(jié)
第5章 全文總結(jié)
    5.1 研究工作總結(jié)
    5.2 需要進(jìn)一步研究的問(wèn)題
參考文獻(xiàn)
作者簡(jiǎn)介及研究成果
致謝



本文編號(hào)：3116336