基于人工智能的無人駕駛車輛路面識別技術(shù)

目 錄
前 言
第 １章 車載激光雷達 １
１.１ 概述 １
１.２ 激光測距技術(shù) ２
１.２.１ 脈沖測距 ２
１.２.２ 相位測距 ３
１.２.３ 三角測距 ４
１.３ 激光雷達在自動駕駛中的應(yīng)用 ５
１.４ 激光雷達的分類 ６
１.４.１ 單線激光雷達 ６
１.４.２ 多線激光雷達 ７
１.４.３ 激光雷達的技術(shù)發(fā)展 １４
第 ２章 地面機器人路面識別技術(shù) １６
２.１ 基于加速度傳感器的地形判別 １６
２.２ 基于相機圖像的地形視覺判別 ２６
２.３ 基于激光雷達的地形識別 ３７
２.４ 多種傳感器的融合 ４７
第 ３章 基于機器學習及馬爾科夫隨機場的路面識別技術(shù) ６４
３.１ 路面輪廓估計 ６４
３.１.１ 加速度 （ａｃｃ－ｔ） ６４
３.１.２ 四分之一車輛模型 （ａｃｃ－ｔｔｏｙ－ｔ） ６５
３.１.３ 垂直位移 （ｙ－ｔ） ６７
３.１.４ 速度 （ｖ－ｔ） ６８
３.１.５ 速度到位移 （ｖ－ｔｔｏｘ－ｔ） ６８
３.１.６ 路面輪廓 （ｙ－ｘ） ６８
３.２ 特征提取 ７０
３.２.１ 從路面輪廓 （ｙ－ｘ）中提取的 ＦＦＴ特征 ７２
３.２.２ 從加速度 （ａｃｃ－ｔ）中提取的 ＦＦＴ特征 ７５
３.２.３ 從加速度 （ａｃｃ－ｔ）和路面輪廓 （ｙ－ｘ）中提取的
快速小波變換特征 （ＦＷＴ） ７５
３.３ 歸一化 ７６
３.４ 主成分分析 ＰＣＡ ７７
３.５ Ｋ－ｆｏｌｄ交叉驗證 ７７
３.６ 其他分類器的嘗試 ７７
３.６.１ 樸素貝葉斯分類器 ７８
３.６.２ 神經(jīng)網(wǎng)絡(luò)分類器 ７８
３.６.３ 支持向量機分類器 ８０
３.７ 實驗 ８１
３.７.１ 概述 ８１
３.７.２ 關(guān)于加速度的平臺實驗 ８３
３.８ 實驗結(jié)果 ８５
３.８.１ 特征選擇 ８５
３.８.２ 速度獨立性測試 ８６
３.８.３ 分類器選擇 ８８
３.８.４ 加速度實驗結(jié)果 ８９
３.９ 總結(jié) ９２
第 ４章 基于圖像數(shù)據(jù)的路面類型分類 ９３
４.１ 圖像紋理特征 ９４
Ⅵ 基于人工智能的無人駕駛車輛路面識別技術(shù)
４.２ 建立圖像特征矩陣 ９５
４.２.１ 灰度共生矩陣 ９５
４.２.２ 特征提取和特征矩陣信息 ９６
４.３ 實驗驗證 ９９
４.３.１ 實驗平臺 ９９
４.３.２ 基于圖像的實驗 ９９
４.４ 實驗結(jié)果 １００
４.５ 結(jié)論 １０５
第 ５章 基于激光雷達的路面類型分類 １０６
５.１ 激光雷達的掃描方式 １０６
５.２ 道路表面重建 １０７
５.２.１ 距離數(shù)據(jù)的處理 １０７
５.２.２ 速度數(shù)據(jù)的處理 １０８
５.２.３ 道路表面 １０８
５.３ 特征矩陣 １０９
５.４ 實驗 １１０
５.４.１ 實驗平臺 １１０
５.４.２ 實驗結(jié)果 １１１
５.５ 結(jié)論 １１５
第 ６章 馬爾科夫隨機場的多傳感器融合路面類型分類 １１６
６.１ 前置激光雷達的預(yù)測 １１６
６.２ 馬爾科夫隨機場算法 （ＭＲＦ） １１８
６.２.１ 條件獨立性 １１８
６.２.２ 分解特性 １２０
６.３ 馬爾科夫隨機場的建立 １２１
６.３.１ 馬爾科夫隨機場中的節(jié)點 １２２
目 錄 Ⅶ
６.３.２ 馬爾科夫隨機場中節(jié)點的隨機變量 １２２
６.３.３ 馬爾科夫隨機場中的節(jié)點 １２３
６.３.４ 馬爾科夫隨機場中的節(jié)點值 １２３
６.３.５ 能量函數(shù) １２４
６.３.６ 最優(yōu)化 １２５
６.４ 實驗 １２５
６.４.１ 實驗平臺 １２５
６.４.２ 基于多傳感器融合的實驗 １２５
６.５ 實驗結(jié)果 １２５
６.６ 結(jié)論 １２９
后記 回顧與展望 １３０
參考文獻 １３２