声明
目 录
第 1 章 绪论
1.1 研究背景及意义
1.2 智能车辆国内外研究现状
1.3 智能车辆决策技术研究现状
1.3.1 基于间接感知型方法的智能车辆决策方法
1.3.2 基于直接感知型结构的智能车辆决策方法
1.3.3 基于深度强化学习的智能车辆决策方法
1.3.4 基于端到端方法的智能车辆决策方法
1.3.5 不同决策方法对比
1.4 研究内容及章节安排
第 2 章 基于端到端的智能车辆决策方法研究
2.1 端到端决策方法的相关原理及数据集现状介绍
2.1.1 相关原理研究及现状
2.1.2 自动驾驶决策数据集及仿真平台
2.1.3 卷积神经网络的基本原理
2.1.4 模型训练及评估方法
2.2 基于 PilotNet 的端到端决策方法实现
2.2.1 UDSD 和 Comma2k19 数据集预处理
2.2.2 基于 PilotNet 的端到端决策模型网络结构概述
2.2.3 基于 PilotNet 的端到端决策模型训练、测试及结果分析
2.3 本章小结
第 3 章 基于图像特征加强的车辆决策方法改进
3.1 基于迁移学习的端到端决策模型
3.1.1 迁移学习的基本概念
3.1.2 基于 VGG16 网络的迁移学习
3.1.3 基于 InceptionV3 网络的迁移学习
3.2 基于道路特征增强的车辆决策网络
3.2.1 道路区域分割网络基本概念
3.2.1 基于道路特征增强的决策网络结构设计
3.2.2 模型训练与测试
3.3 基于特征映射增强的车辆决策网络
3.3.2 基于特征映射增强的决策网络结构设计
3.3.3 模型训练与测试
3.4 车辆决策模型试验及结果对比
3.5 车辆决策网络特征可视化
3.5.1 单层特征图可视化
3.5.2 多层特征图融合可视化
3.6 本章小结
第 4 章 基于 LSTM 的改进智能车辆决策算法
4.1 LSTM 网络原理介绍
4.2 基于 LSTM 的改进智能车辆决策算法
4.2.1 LSTM 与卷积网络融合的决策算法框架
4.2.2 LSTM 网络设计与训练
4.2.3 LSTM 与卷积网络融合权重确定
4.3 基于 LSTM 的改进智能车辆决策网络试验及结果分析
4.4 车辆决策算法模拟驾驶试验
4.4.1 车辆决策算法模拟驾驶试验流程
4.4.2 模型建立阶段
4.4.3 模型测试阶段
4.5本章小结
总结与展望
1 全文总结
2 未来工作展望
参考文献
附录A(攻读学位期间所发表的学术论文目录)
致 谢
湖南大学;