智能车辆交互行为预测与决策技术PDF电子书下载

查看更多关于的内容

第1章 智能车辆行为识别、预测与决策概述 1

1.1 智能车辆系统构成 1

1.2 数据采集与处理 4

1.3 驾驶行为识别与预测 5

1.3.1 主车驾驶行为识别与预测 6

1.3.2 交通参与者行为识别与预测 7

1.4 智能车辆行为决策 7

第2章 数据采集系统与场景建模 9

2.1 数据采集系统构成 9

2.1.1 仿真传感器数据采集系统 9

2.1.2 车载传感器数据采集系统 10

2.1.3 路基传感器数据采集系统 13

2.2 数据处理与特征提取 14

2.2.1 车载传感器数据处理 14

2.2.2 路基传感器数据处理 20

2.3 场景构建 22

第3章 主车驾驶行为识别与预测 25

3.1 驾驶行为识别 25

3.1.1 问题定义 25

3.1.2 基于LR的驾驶行为识别方法 27

3.1.3 基于SVM的驾驶行为识别方法 31

3.2 操作轨迹预测 43

3.2.1 问题定义 43

3.2.2 基于GMM-GMR的操作轨迹预测方法 44

3.3 基于分布域自适应的模型泛化方法 49

3.3.1 问题定义 49

3.3.2 分布域自适应 54

3.4 基于流形对齐的模型自适应方法 64

3.4.1 问题定义 64

3.4.2 基于SMA和KEMA的驾驶行为识别方法 65

3.4.3 基于DTW-LPA的操作轨迹预测方法 80

第4章 交通参与者行为识别与预测 95

4.1 周边车辆行为识别与预测 97

4.1.1 周边车辆行为识别与预测问题概述 97

4.1.2 基于高斯混合模型的目标运动模式识别模型 97

4.1.3 基于高斯过程回归的轨迹预测模型 103

4.1.4 预测模型评价指标 111

4.1.5 基于路基数据的试验验证及结果分析 112

4.2 行人与非机动车行为识别与预测 130

4.2.1 行人行为识别与预测问题概述 130

4.2.2 轨迹预测场景 130

4.2.3 地平线相机数据处理 133

4.2.4 基于LSTM的行人轨迹预测模型 135

4.2.5 非机动车行为识别——以自行车为例 142

第5章 智能车辆行为决策概述 145

5.1 智能车辆行为决策概述 145

5.2 智能车辆行为决策的常用方法 147

5.2.1 基于规则的行为决策 148

5.2.2 基于随机过程的行为决策 150

5.2.3 基于机器学习的行为决策 154

第6章 基于规则的行为决策 157

6.1 状态机 158

6.1.1 状态机原理及概述 158

6.1.2 基于有限状态机的横向决策模型 159

6.2 基于规则的分层超车决策框架 161

6.2.1 超车决策过程 161

6.2.2 评价指标选取 161

6.2.3 超车规则制定 166

6.3 高速公路场景应用实例 167

6.3.1 试验内容 167

6.3.2 试验结果与分析 168

6.4 城市道路场景应用实例 172

6.4.1 周围车辆分布试验 173

6.4.2 换道决策模型实车试验 174

6.4.3 换道决策模型类人分析与评价 179

第7章 基于随机过程的行为决策 182

7.1 马尔可夫决策过程 183

7.2 部分可观测马尔可夫决策过程 184

7.2.1 部分可观测马尔可夫决策过程简介 185

7.2.2 基于POMDP的智能车辆纵向决策模型 186

7.3 无信号灯十字交叉口场景仿真试验 190

7.3.1 仿真场景 191

7.3.2 仿真试验结果 192

7.4 交叉口场景应用实例 200

第8章 基于机器学习的行为决策 204

8.1 基于强化学习的行为决策 204

8.1.1 强化学习简介 205

8.1.2 Q学习算法 206

8.1.3 神经网络Q学习算法 208

8.1.4 真实交通长直路路况实车试验及分析 216

8.2 基于逆强化学习的行为决策 222

8.2.1 逆强化学习理论基础 222

8.2.2 基于逆强化学习的评价函数建模及试验分析 231

8.2.3 基于特定驾驶行为的类人驾驶学习系统试验及分析 236

参考文献 242

附录 术语表 253

查看更多关于的内容