一、车辆导航数据串行多任务采集系统(论文文献综述)
李梅[1](2021)在《10kW中波发射机智能切换系统设计与实现》文中研究表明中波发射台两机互扰问题长期困扰着系统工作性能的正常发挥,且对后期技术维护造成困难,为了满足节目播出的安全稳定,实现发射机智能切换是非常必要的。本文重点分析了对10KW中波发射机合成器的网络进行技术改造的探索和测试总结,通过科学地设计网络参数和遥控切换模式,进而满足稳定可靠的系统运行,具有一定的借鉴价值。
陆爽秋[2](2021)在《基于GNSS伪量测与运动状态估计的组合导航算法研究》文中研究表明近年来,随着智慧交通的飞速发展,复杂城市环境下高精度定位的需求日趋旺盛。由惯性导航系统和全球卫星导航系统构成的INS/GNSS组合导航系统能够提供连续高精度的定位导航信息,弥补单一导航系统的不足。然而在实际的复杂城市环境中,GNSS信号极易受到高楼、林荫、隧道等遮挡,传统的组合导航系统会退化为纯惯性导航推算。由于受到微机械电子系统惯性测量单元量测噪声的影响,纯惯导系统的定位精度会随误差累积而发散。因此在GNSS故障时,提高INS/GNSS组合导航系统的定位性能极具挑战性。本文着重于研究GNSS伪位置预测算法与车体自适应零速检测算法,并引入了具有共享“降噪”过程的异构多任务学习框架。具体研究工作如下:首先为了桥接GNSS中断,设计了一种改进的GNSS伪位置预测算法,它使用深度时域卷积神经网络直接找出INS数据与GNSS位置增量之间的相关性,提供了稳定、准确的虚拟GNSS位置来辅助独立的惯导系统,提高了训练效率。实验结果表明,对比LSTM和ALSTM-FCN算法,基于TCN网络改进的GNSS伪位置预测算法定位结果明显优于上述两种算法。其次,现有的大多数基于人工智能的方法并未考虑GNSS中断时复杂的停车事件,因此在车辆停车时间较长或频率较高的复杂场景下表现出较差的鲁棒性。本研究利用一维深度卷积神经网络准确地检测车辆静止模式,以进一步校正惯导系统的速度和航向。针对分类任务中遇到的正负样本与难易样本分布不均衡的问题,本文给出了优化方案。实验表明,本文设计的基于CNN网络的零速检测算法在多段GNSS信号长时间缺失且车体静止的复杂路段下,分类准确率明显优于传统的基于方差阈值的零速检测算法。最后,考虑到GNSS伪位置预测任务与车体零速检测任务之间的相关性,本研究设计了一种具有共享“降噪”过程的异构多任务学习框架,并行训练上述两个异构任务。确保了整个级联的神经网络能够联合学习到GNSS伪位置和零速更新信息,进一步提升组合导航系统在GNSS信号阻塞环境下的定位性能。本文在大量的路测数据集上对所提出的多任务学习模型进行了性能的分析与验证。在120 s GNSS信号缺失且车辆长时间静止的复杂场景下,MTL融合算法的均方根位置误差为3.794m,明显优于单一 GNSS伪位置预测器辅助的INS算法。实验结果还表明,本文所提出的MTL融合算法对车辆零速检测的准确率超过99.0%。
陈东鹏[3](2021)在《林业背包式激光雷达多传感器集成系统及数据融合的研究》文中研究表明近年来,随着遥感技术的日益发展和成熟,尤其是大区域森林制图、灾害监测等方面的应用,特别是三维激光雷达扫描系统的广泛应用,根据地基激光雷达中的背包式激光雷达系统当前研究现状,本文研发一种适用于林业测量环境下的背包式激光雷达多传感器(激光雷达探头、GNSS、IMU、CCD、双目相机等)集成系统,结合多传感器数据融合技术构建林木参数采集体系,提高林木参数采集的精准度,促进林业信息化和林业科学化管理发展。研究结果如下:(1)分析林业背包式激光雷达多传感器集成系统的背景和意义,以及进行多传感器数据融合的重要意义,总结了多传感器数据融合的国内外研究现状以及数据融合算法概述。进行林业背包式激光雷达多传感器集成系统的硬件构建,系统各传感器的选型、技术指标组成以及硬件驱动。实现林业背包式激光雷达多传感器集成系统的软件设计,完成系统硬件和软件的配合,软件方面的集成处理和控制处理,软件部分的设计,主要包括人机界面设计、嵌入式开发环境的搭建、软件主要功能的实现。(2)使用林业背包式激光雷达多传感器集成系统提取的人工林株数和胸径参数,采集精度要达到平原地区≥90%、山区≥85%,系统在50m测距精度误差≤30mm。为了达到这一要求,研究基于无迹卡尔曼滤波算法的数据融合实现,结合林业背包式激光雷达多传感器集成系统平台运用和点云数据以及当前的位置和姿态信息,获得非线性量测方程更新。并结合UKF和滤波器目标运动模型得到目标状态估计,最后完成系统测试,验证使用的可靠性和实用性,提高了系统多传感器数据融合精度。(3)确定林业背包式激光雷达多传感器集成系统的安装方式,在原有技术的基础上进行优化,使系统更具灵活性、便携性的特点,拆卸式连接结构使本系统维护维修成本更低。综上所述,对林业背包式激光雷达多传感器集成系统各传感器进行构建、选型、技术指标组成以及硬件驱动,设计出林业背包式激光雷达多传感器集成系统,该系统具有稳定性、同步性、精度高、灵活性的特点,通过融合多传感器的数据来改善采样精度,选取该算法能在保证较高滤波精度和稳定性的同时大大减少了计算量,实地参数提取测试验证了系统的稳定性和精准性。
杨荣[4](2020)在《AGV车载控制器设计与研究》文中指出本文针对工业生产需要,结合嵌入式技术、计算机技术和通信技术,设计了一种基于STM32的AGV车载控制器,实现AGV运动控制、电流电压采集和数据存储等功能,并解决了组网通信问题。根据控制系统要求,本文以STM32微处理器为控制核心进行控制系统设计。主要研究了 AGV控制系统的硬件实现方案和基于实时嵌入式系统的软件控制方案。论文主要工作内容如下:本文以AGV车载控制器为研究对象,针对AGV整车系统的功能、性能需求,确定车载系统总体设计方案和无线通信网络架构方案;围绕所选车载控制器芯片STM32F103VET6,制定控制器硬件总体设计方案,采用Aultium Designer10模块化设计电源稳压、数据采集、数据存储、网络通信等相关模块电路;基于RT-Thread实时操作系统分层、模块化完成底层硬件驱动程序设计;针对PID算法和模糊逻辑控制的不足,结合了两者的优点,研究直流电机模糊PID的控制策略,并运用MATLAB/Simulink模块对模糊PID系统和常规PID系统进行仿真对比,仿真结果表明模糊PID控制系统效果明显优于常规PID系统;根据RT-Thread系统的编程特点,设计系统、运动控制等应用层线程。针对AGV组网通讯问题,提出一套基于TCP/IP协议的AGV通讯系统的研究方案。该系统通过无线局域网将每台AGV监控节点连接起来,实时与上位机进行数据交互;AGV节点搭载了无线模块,在此基础上采用了 Modbus/TCP应用层协议,形成了一个完整的主从通信方案;基于实验室条件下对车载控制器的电流电压数据采集模块、电机控制模块和网络数据通信功能进行了实验验证,实验结果表明所设计的AGV车载控制器能够实现其功能、性能需求。
索传哲[5](2020)在《基于深度学习的大场景激光点云环境识别研究》文中指出人们的交通出行发展从传统的燃油汽车转向新能源汽车,并向共享化和智能化发展,特别近年来以深度学习为主的人工智能技术的发展带动了自动驾驶汽车技术的发展和落地,深度学习算法在图像和自然语言处理等领域展现出强大的性能和泛化能力,为自动驾驶汽车的感知定位系统提供了强有力的解决方案。同时激光雷达器件的发展,感知距离越来越远,激光雷达线束也越来越多,分辨率也越来越高,赋予了自动驾驶汽车等智能移动机器人系统直接感知三维环境的能力,提高了感知定位系统的智能化,但同时也带了更多的技术挑战。自动驾驶汽车等智能移动机器人的感知定位系统不仅需要检测周围环境中的车辆、行人等物体信息,还需要准确的自身定位能力。同步定位与地图构建(Simultaneous Localization And Mapping,SLAM)是移动机器人实现自主导航定位的基础和关键技术之一,其中闭环检测和重定位是修正建图位姿和定位应用的关键环节,传统方法主要依靠GPS等进行辅助,但在树木和建筑遮挡的情况下深受影响。深度学习在三维点云研究的兴起,为单纯依靠激光点云的解决方案提供了可能,本课题研究基于深度学习的大场景激光点云环境识别问题,是解决激光SLAM闭环检测和重定位的有力方法。本论文主要研究内容如下:(1)研究深度学习对稀疏三维点云的邻域结构信息编码及特征提取方法,分析点云数据的特性和挑战,研究针对点云的深度学习网络设计的方法和思路,并分析利用深度学习解决大场景激光点云环境识别问题的方法和任务定义。(2)研究大场景激光点云的环境识别问题,提出了大场景描述网络LPD-Net(Large-scale Place Description Network),通过自适应邻域局部几何特征提取和动态图网络聚合,学习点云局部结构特征和环境上下文语义特征,并通过Net VLAD Layer生成全局描述向量,在Oxford Robot Car数据集上进行了训练和性能评估,性能达到了点云场景识别基准的最先进水平。(3)研究点云压缩重建与大场景点云的特征隐空间表征方法,提出了大场景点云压缩重建网络LPD-AE(Large-scale Place Description-Auto Encoder),利用由粗到细的层次化生成策略从特征隐空间恢复重建大场景点云,建立点云空间与特征隐空间的对等映射并构建点云的隐空间表征方法,利用隐空间向量代替计算复杂和消耗内存的大场景点云,实现闭环检测、重定位、地图压缩存储传输等任务。在Oxford Robot Car、KITTI和自采数据集SEU-FX上进行了训练和评估验证,定量和定性的结果显示了点云重建的性能。(4)设计真实自动驾驶应用的多传感器融合感知平台,集成了激光雷达、双目视觉、GPS/INS融合定位导航系统,并采集SEU-FX数据集,包括不同天气、时间、光照条件下的城市道路、校园场景同一路径的重复数据,可应用于长时间跨度的场景识别、重定位等相关任务研究。真实场景闭环检测、重定位等测试验证了点云隐空间表征在激光SLAM中的强大性能,展示了其在真实自动驾驶场景下应用部署的巨大潜力。
杨文强[6](2020)在《基于FPGA与PC/104的导航计算机系统设计》文中研究说明捷联式惯性导航系统用导航计算机是一种兼具数据采集、导航解算与用户交互的计算机系统。该系统可采集陀螺仪、加速度计以及外部辅助导航系统、传感器的信息,进行导航解算并对外输出导航信息。本文设计了一套基于FPGA与PC/104的导航计算机系统,主要工作如下:1.调研了导航计算机的应用背景和现有设计方案,针对应用需求制定了FPGA与PC/104组合的系统架构,选择了合适的芯片方案。2.在数据采集端,选择ZYNQ系列MZ7XA7020核心板作为数据采集单元,在所选核心板的FPGA端进行开发,具体设计了解析异步串行数据与脉冲计数的IP核以接收陀螺仪、GPS的串行数据与加速度计脉冲量,并使用双口RAM进行FPGA与PC/104的数据通信,同时在所选核心板的ARM上运行μC/OS-Ⅲ嵌入式操作系统,对FPGA采集到的数据进行校验与同步。3.在PC/104端,以操作系统Vx Works作为软件平台,通过多任务机制实现了报文解析、导航解算、组合滤波与导航结果输出;实现了惯性导航解算、粗对准、精对准以及零速修正等捷联式惯性导航系统算法模块设计;模拟应用系统,实现了网络通讯模块设计。4.试验结果表明,系统可实现稳定的数据采集与导航解算;实验室大理石平台条件下的测试结果表明本系统数据采集稳定可靠,导航解算结果表明本导航计算机的性能满足纯惯性解算与信息融合的运算需求。
杜方[7](2020)在《陆用捷联惯性导航计算机设计与对准技术研究》文中认为在现代化地面战争中,对于装甲车为主的陆用车辆,为了提升其作战能力,使其拥有灵活的机动性能以及精确的打击能力,这就需要以高精度的陆用惯性导航系统为基础,实时地为运载体提供姿态、速度和位置等信息。因此,陆用装甲车辆对高精度的惯导系统有重大需求。本文以陆用惯性导航系统实际应用需求为背景,针对导航计算机软硬件平台搭建和初始对准的相关算法进行研究,这两部分的研究内容将对陆用车辆的机动性以及其协同作战能力产生至关重要的作用。导航计算机作为捷联惯导的控制运算中枢,其合理的设计对导航系统的精度及稳定性有着举足轻重的作用。对于中高精度惯导设备,为保证其精度,需要导航计算机对加速度计、陀螺仪的输出量有较高的采样能力,保持数据采集的同步性;同时,还要兼顾导航计算机的解算性能及通讯接口的扩展性。针对上述要求,本文提出了基于DSP、FPGA和ARM的三核架构导航计算机系统。其中,在硬件方面包括多核架构的最小系统设计,外围的采样电路、电源系统、通信电路等的电路设计;在软件方面针对各个处理器的特性及开发环境进行程序编写,包括基于Verilog硬件描述语言的FPGA端数据采样程序、基于C语言的DSP端数据解算程序和ARM端接口扩展程序。从而完成数据采集、解算及对外通讯导航计算机系统设计。在算法方面主要针对捷联惯导的初始对准进行研究。文中以陆用车载捷联惯导系统为研究对象,将其分成静基座环境和动基座环境分别进行研究。首先完成捷联惯导基本方程和误差方程的推导,对IMU进行建模分析并完成分立式标定,对确定性误差进行补偿。接着设计捷联惯导系统的对准过程,针对静基座条件下,应用多矢量定姿的原理进行解析式粗对准和一步修正粗对准得到粗对准结果;应用卡尔曼滤波进行失准角的估计完成精对准过程;针对晃动基座条件下,模拟晃动环境的载体运动状态及IMU数据,应用凝固法完成粗对准,应用卡尔曼滤波求理想惯性系与计算惯性系失准角的方式完成精对准;并针对上述方法展开原理性研究和仿真验证。最后进行了导航计算机和初始对准的相关实验。对导航计算机进行信号采样和输出,证明其性能基本满足系统需求,且采样精度较为良好。对惯性器件进行分立式标定实验并进行误差补偿后,进行转台晃动基座初始对准实验和车载静止初始对准实验。实验结果表明系统可以达到较好的初始对准精度,大致满足工程应用的需求。
娄皓翔[8](2020)在《基于ARM技术的盲人避障系统的设计》文中指出据中国残疾人联合会数据,2018年我国视力残疾患者人数达到1700多万,每年新增盲人数量达到45万,中国是全世界盲人最多的国家之一。盲人作为弱势群体,他们在生活中所遇到的困难往往是正常人所无法想象的。数据显示约30%盲人基本不外出,另外46%需家人朋友陪同,盲人出行的问题亟需人们的关注。城市的盲道建设和管理的不规范导致盲道无法有效的利用,当前盲人在交通环境下主要还是依靠传统的导盲方式:导盲杖能帮助盲人探测周围路面情况,但范围有限,并且无法发现悬空危险物体;而导盲犬训练周期长,价格昂贵,无疑增加盲人的生活压力。因此,传统的导盲方式并不能有效解决盲人出行困难问题和保障他们的安全。本文针对智能导盲系统展开研究,目的是让盲人外出行走在人行道时能像正常人一样了解道路信息,保障其便捷、安全地出行。本文通过对国内外导盲技术的研究,分析道路环境特点并结合盲人需求设计了一种基于ARM技术的盲人避障系统,采用嵌入式-云服务器的架构,保障系统的实时性和可靠性。系统的设计主要包括前端底层硬件设计、嵌入式平台的搭建以及交通信号灯和交通标志牌的检测识别。前端以I.MX6U-ALPHA开发板为硬件平台,其微处理器是以I.MX6ULL为核心的Cortex-A7,嵌入式平台选用开源Linux操作系统,交通信号灯和交通标志牌分别采用传统图像检测技术和基于深度学习的方法进行识别。本文的主要工作内容如下:首先提出本系统的总体设计方案,详细介绍了如何搭建Linux系统开发平台;在PC机上安装交叉编译工具链,在此开发环境下进行了U-Boot移植、Linux内核移植、根文件系统移植和设备驱动程序的操作,为盲人避障系统的设计提供一个稳定可靠的嵌入式平台环境。对系统硬件模块数据采集进行电路设计,其外围设备模块包括:图像采集模块、超声波测距模块以及语音播报模块,嵌入式前端与云服务器通过WIFI相连,将采集的数据通过TCP/IP协议下的Socket套接字进行信息交互。其次详细地对图形检测识别算法进行研究,由于交通信号灯缺乏数据集且颜色形状特征明显,因此采用RGB转HSV色彩空间进行颜色分割提取候选区,通过形态学处理去噪,依据信号灯形状特点利用Hough变换作形状检测,将检测到的区域利用信号灯板信息排除非信号灯区域,最后利用颜色直方图的统计信息完成信号灯的识别。交通标志牌检测识别采用深度卷积神经网络多任务学习模型,在Linux系统及Tensorflow1.4架构下结合Zhu等人工作的基础上对网络结构进行改进,在图像输入层后采用MSRCR图像增强算法对图像增强处理。采用多尺度的策略对训练阶段和测试阶段图像截取固定大小图像块送入网络检测,同时将多任务学习模型由原来的8层减少到7层,最后通过实测验证了本文系统的可行性和实时性。本文设计的系统能对盲人自身1~3米范围内的障碍物有效识别,根据测试结果显示本系统对于标志牌识别在光照不理想、有遮挡等特殊条件下依旧有很好的检测效果。在准确率达到91%的同时,提高了系统的实时性,符合盲人外出对智能设备的要求。同时本文系统对于无人驾驶技术有一定的借鉴意义。
谢超[9](2019)在《全源导航智能接口子系统的研制》文中研究指明论文设计了一个基于高性能ARM核心板,搭载Linux操作系统的智能接口。智能接口作为全源导航的子系统,能够完成多路传感器数据并行采集、数据处理、实时发送的导航数据采集任务。本文从硬件、内核态软件和用户态软件三方面对智能接口进行设计和实现,以满足全源导航硬件上接口统一、即插即用、灵活配置、实时采集、并行处理和发送的要求。针对全源导航系统多种传感器即插即用、多路数据并行采集的需求,本文基于高性能开发板,搭载FPGA接口拓展板,从硬件上实现接口冗余和并行数据采集。研究了Linux操作系统中驱动即插即用和守护进程的运行机制,基于Linux内核中驱动热拔插事件机制和守护进程,实现对传感器状态的实时监控和上报。数据处理过程中,针对传感器数据的噪声和异常值,将LOF异常值检测算法应用于导航传感器的异常点检测和剔除。研究了LOF算法的优缺点和增量式ELOF算法的更新机制,提出一种能够动态更新邻域K值的机制,使得改进后的ELOF算法能够根据导航载体的运动特性实时动态更新局部离群因子的值,提高了异常值的检测识别率。针对各种传感器中导航信息时间基准的不统一问题,根据导航数据时间标志使用最小二乘法进行数据曲线拟合,基于拟合曲线统一各传感器数据的时间基准。针对智能接口和导航计算机实时交互的需求,研究并使用了UDP传输层协议,为了保证UDP传输层协议稳定性,基于自定义数据帧在UDP协议数据帧中实现序列号、确认应答、出错重发、数据帧错乱重排序等稳定机制,在保证传输实时性的基础上提升传输稳定性。针对全源导航整体软件系统的稳定性、实时性、并发性和模块化的需求,研究了Linux进程和线程的原理,基于多核多线程的核心处理器,设计多线程与多进程的软件框架。每个传感器对应一个进程,模块化设计任务执行程序,而每个进程中用多线程实现相关功能,充分利用硬件资源,使得系统并行处理多个传感器的数据采集与处理任务。最后,设计并实现全源导航智能接口子系统测试平台,测试智能接口传感器识别、系统稳定性、传输实时性等方面的性能。测试结果表明,系统各方面性能都能达到全源导航的需求,智能接口的硬件概念能够有效减轻导航计算机的软硬件压力。
邓超[10](2019)在《人机共驾车辆驾驶人接管过程的认知体系结构模型》文中认为在实现完全自动驾驶之前,驾驶人和车载智能系统共同控制车辆的局面(人机共驾)将长期存在,由此产生的人机匹配失调、驾驶人分心和认知局限性成为影响交通安全的重要因素。目前国内交通安全领域,驾驶人接管自动驾驶车辆的认知研究主要集中在局部认知行为(如操作特性、情景意识、注意力分配等方面),研究方法局限于行为实验,缺少可计算的建模研究。由于认知系统的复杂性,认知体系结构建模发展较为缓慢。本文对人机共驾车辆驾驶人接管过程进行认知体系结构建模,具体工作如下:首先,在国内外文献的基础上对人机共驾车辆驾驶人接管方式进行了分类,对接管条件和典型场景进行了界定。根据驾驶行为层次模型将换道控制任务划分为基本车辆控制、观察周边交通环境,以及换道决策任务。通过引入安全裕度建立车辆横向控制认知体系结构,通过引入最大视距完善了驾驶人纵向控制认知体系结构,将驾驶人视区分为正前方、左车道前方、右车道前方、左后视镜、右后视镜5个区域,根据驾驶人的注视特性建立了行车环境的观察过程模型,基于横纵向控制和观察策略,分析了车道变换及超车认知体系结构,建立了车辆控制模型。基于QN-ACTR建立了车辆换道控制模型,包括车辆横纵向控制、行车环境的观察、车道变换及超车等模型。通过实际道路实验进行参数标定,包括驾驶人眼动特性、车辆状态等参数,然后搭建基于TORCS车辆仿真系统和QN-ACTR Java的驾驶人认知一体化仿真平台,基于该平台对典型的手动驾驶任务进行模拟仿真,通过模拟驾驶实验验证了单任务和双任务情况下驾驶人的反应时间、驾驶负荷和横纵向驾驶绩效等。另一方面,在分析了人机共驾接管过程的影响因素和车内非驾驶任务后,对人机共驾非驾驶任务进行认知体系结构建模,包括标准视觉Su RT(Surrogate reference task)任务、标准听觉2-back任务、DRT(Detection response task)驾驶人检测反应任务。根据QN-ACTR的不中断处理机制,将单任务模型组件组合在一起,建立了人机共驾车辆驾驶人接管过程认知体系结构模型,并对模型产生式规则需要排队处理的情况进行了分析。通过开展模拟驾驶实验,从非驾驶任务、接管预警时间和交通风险程度等方面对人机共驾车辆接管过程认知体系结构模型进行了验证,建立的模型没有调整任何认知神经心理学参数,较好的适应了驾驶人数据。在上述研究的基础上,利用人机共驾认知评估系统对人机共驾任务中驾驶人的接管眼动特性、驾驶负荷和车辆横纵向稳定性进行了评价。通过驾驶人模型眼动行为记录评价了水平视线分散程度。通过资源需求分解分析方法研究了驾驶负荷下的认知资源瓶颈和绩效受损机理。通过查看驾驶人模型的产生式匹配情况,分析了驾驶绩效产生的人因机理。该认知评估系统对人机共驾交通安全问题的改善提供了理论依据,为后期开发应用人机共驾车辆驾驶人接管过程的认知体系结构模型提供了新的思路。
二、车辆导航数据串行多任务采集系统(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、车辆导航数据串行多任务采集系统(论文提纲范文)
(1)10kW中波发射机智能切换系统设计与实现(论文提纲范文)
1 10KW中波发射机使用现状 |
2 系统建设基本思路 |
3 系统设计与实现方案 |
3.1 设计策略 |
(1)系统运行的状态信息获取 |
(2)智能切换装置的行为描述 |
3.2 实现方案 |
(1)射频通路的技术设计 |
(2)射频网络的优化调整 |
(3)移相网络的集中改造 |
(2)基于GNSS伪量测与运动状态估计的组合导航算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 背景和意义 |
1.2 国内外研究现状 |
1.3 本论文主要研究工作 |
1.4 论文组织结构 |
第二章 相关技术介绍 |
2.1 惯性导航系统简介 |
2.1.1 惯性导航基本原理 |
2.1.2 惯性导航常用坐标系及相互转化 |
2.1.3 捷联惯性导航解算方法推导 |
2.2 基于Kalman滤波最优估计的SINS/GNSS松耦合算法建模 |
2.2.1 Kalman滤波算法概述 |
2.2.2 惯性导航误差方程推导 |
2.2.3 MEMS IMU组合导航系统状态方程推导 |
2.2.4 MEMS IMU组合导航系统量测方程推导 |
2.3 神经网络基础概念简介 |
2.4 多任务学习原理简介 |
2.5 本章小结 |
第三章 基于深度时域卷积神经网络改进的GNSS伪位置预测算法研究 |
3.1 时间序列预测问题分析与建模 |
3.2 TCN网络基本原理介绍 |
3.3 算法改进思路 |
3.3.1 输入特征选择与分析 |
3.3.2 TCN网络选择与分析 |
3.4 算法框架与原理 |
3.5 本章小结 |
第四章 基于深度卷积神经网络的车体零速检测算法研究 |
4.1 CNN网络选择与基本原理介绍 |
4.2 车体“零速”运动状态建模 |
4.3 基于深度CNN网络的车体零速检测算法 |
4.3.1 算法框架与原理 |
4.3.2 样本不均衡问题分析及优化方法 |
4.4 本章小结 |
第五章 共享“降噪”过程的多任务学习框架设计 |
5.1 共享“降噪”过程的多任务学习框架总述 |
5.2 基于卷积自动编码器的数据预过滤方法研究 |
5.2.1 CAE网络选择与基本原理介绍 |
5.2.2 基于CAE网络的数据预过滤算法 |
5.3 异构多任务融合算法与INS组合方式 |
5.4 本章小结 |
第六章 实验及结果分析 |
6.1 实验平台及实验场景描述 |
6.1.1 数据获取与硬件配置 |
6.1.2 实验数据及场景描述 |
6.1.3 MTL网络全局代价函数与超参设置 |
6.2 实验后处理软件工具开发概述 |
6.3 单一 GNSS伪位置预测算法性能分析 |
6.3.1 TCN网络参数分析与选择 |
6.3.2 多段无停车复杂路段下不同神经网络预测性能比较 |
6.4 零速检测算法实验结果对比 |
6.4.1 CNN+GHM优化算法分类性能验证 |
6.4.2 多种零速检测算法实验结果比较 |
6.5 MTL融合算法定位精度分析 |
6.5.1 多段无停车复杂路段下MTL融合算法定位性能验证 |
6.5.2 多段含静止复杂路段下MTL融合算法定位性能验证 |
6.5.3 多任务学习权重参数选择与网络有效性分析 |
6.6 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(3)林业背包式激光雷达多传感器集成系统及数据融合的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景与意义 |
1.2 多传感器数据融合技术及其激光雷达应用上的研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 数据融合方法研究现状 |
1.4 本文主要研究内容 |
2 林业背包式激光雷达多传感器集成系统硬件构建 |
2.1 林业背包式激光雷达多传感器集成系统的性能与指标 |
2.2 林业背包式激光雷达多传感器集成系统各传感器硬件构成 |
2.2.1 激光雷达模块 |
2.2.2 CCD模块 |
2.2.3 组合导航系统模块 |
2.2.4 各传感器时空同步控制系统 |
2.2.5 供电模块 |
2.2.6 USB总线转换芯片驱动设计 |
2.3 总体设计方案 |
2.4 本章小结 |
3 林业背包式激光雷达多传感器集成系统软件设计 |
3.1 软件总体设计方案 |
3.2 嵌入式软件开发 |
3.2.1 嵌入式开发的特点 |
3.2.2 嵌入式开发环境的搭建 |
3.3 数据采集与存储 |
3.3.1 数据采集 |
3.3.2 数据实时存储 |
3.4 多任务处理功能 |
3.5 数据通信 |
3.5.1 USB通信文件的数据压缩与编码 |
3.5.2 界面USB通信功能 |
3.5.3 USB端口与PC机通信功能 |
3.6 多传感器采集数据的动态显示与回放 |
3.6.1 多传感器采集数据的动态显示 |
3.6.2 多传感器采集数据的回放功能 |
3.7 PC人机界面 |
3.7.1 PC人机界面主要功能构成 |
3.7.2 Qt显示界面设计 |
3.8 系统软件维护设计 |
3.9 本章小结 |
4 基于无迹卡尔曼滤波的多传感器数据融合算法研究 |
4.1 算法思路 |
4.2 无迹卡尔曼滤波 |
4.3 仿真结果与分析 |
4.4 本章小节 |
5 系统安装方式与现场测试 |
5.1 安装方式与结构优化 |
5.1.1 安装方式 |
5.1.2 结构优化 |
5.2 现场测试 |
5.3 本章小结 |
结论 |
参考文献 |
附录 |
攻读学位期间发表的学术论文 |
致谢 |
东北林业大学 硕士学位论文修改情况确认表 |
(4)AGV车载控制器设计与研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 AGV国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 研究内容 |
2 AGV系统总体方案设计 |
2.1 AGV系统设计目标 |
2.1.1 功能需求 |
2.1.2 性能需求 |
2.2 AGV系统整体结构设计 |
2.3 AGV车载系统总体设计 |
2.3.1 AGV车体参数 |
2.3.2 导引方式 |
2.3.3 直流电机数学模型的建立 |
2.4 AGV控制系统总体安排 |
2.5 无线通信网络架构设计方案 |
2.5.1 无线通信技术选择 |
2.5.2 WLAN网络拓扑结构选择 |
2.5.3 WLAN硬件选择 |
2.6 本章小结 |
3 AGV车载控制器硬件设计 |
3.1 硬总体设计方案 |
3.2 MCU最小系统电路设计 |
3.3 控制器各功能模块电路设计 |
3.3.1 电源稳压模块电路设计 |
3.3.2 电流采集电压检测及过流保护电路设计 |
3.3.3 USB转串口通信电路设计 |
3.3.4 直流电机驱动模块电路设计 |
3.3.5 雷达数据与车速采集电路设计 |
3.3.6 数据存储模块电路设计 |
3.3.7 以太网通信电路设计 |
3.4 PCB板设计 |
3.5 本章小结 |
4 AGV车载控制器软件设计 |
4.1 RT-Thread嵌入式实时操作系统 |
4.1.1 前后台系统与RTOS的比较 |
4.1.2 RT-Thread简介 |
4.1.3 RT-Thread移植 |
4.1.4 系统软件层次分析 |
4.2 控制器驱动层软件设计 |
4.2.1 车速采集 |
4.2.2 电流电压采集 |
4.2.3 数据存储 |
4.3 直流电机模糊PID控制策略 |
4.3.1 PID控制算法 |
4.3.2 模糊PID算法 |
4.3.3 模糊PID算法基于MATLAB控制仿真 |
4.3.4 仿真结果分析 |
4.4 应用层线程设计 |
4.4.1 线程框架 |
4.4.2 系统线程 |
4.4.3 运动控制算法线程 |
4.5 本章小结 |
5 AGV车载通讯系统研究 |
5.1 Lw IP与 Modbus/TCP |
5.1.1 LwIP处理 |
5.1.2 Modbus/TCP处理 |
5.1.3 RT-thread中的Lw IP |
5.1.4 软件模块的整合 |
5.2 AGV车载通讯系统数据包协议设计 |
5.3 本章小结 |
6 AGV车载控制系统实验 |
6.1 AGV实验样机搭建 |
6.2 电流电压数据采集实验 |
6.3 电机速度控制模块调试 |
6.4 AGV车载通讯模块调试 |
6.5 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 展望 |
致谢 |
参考文献 |
附录 |
(5)基于深度学习的大场景激光点云环境识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.1.3 课题来源 |
1.2 国内外研究现状 |
1.2.1 基于视觉的环境识别方法 |
1.2.2 基于3D点云的环境识别方法 |
1.3 论文研究内容 |
1.4 论文组织结构 |
第二章 针对三维点云深度学习网络设计范式的研究 |
2.1 三维点云特性和点云网络设计范式 |
2.1.1 三维点云特性 |
2.1.2 点云网络设计范式 |
2.2 深度学习点云环境识别网络设计范式 |
2.3 本章小结 |
第三章 大场景激光点云环境识别网络LPD-Net |
3.1 大场景点云环境识别方案 |
3.2 基于点云的环境识别的深度学习模型概述 |
3.3 LPD-Net网络设计 |
3.3.1 网络整体结构 |
3.3.2 特征提取网络 |
3.3.3 动态图网络聚合 |
3.3.4 NetVLAD全局描述向量生成 |
3.3.5 度量学习损失函数设计 |
3.4 环境识别实验和分析 |
3.4.1 实验设计细节和数据集 |
3.4.2 LPD-Net实验性能 |
3.4.3 LPD-Net分析与消融研究 |
3.4.4 与基于图像方法的比较结果 |
3.5 本章小结 |
第四章 大场景激光点云压缩重建网络LPD-AE |
4.1 点云特征隐空间表征 |
4.2 大场景点云压缩重建网络概述 |
4.3 LPD-AE网络设计 |
4.3.1 网络整体结构 |
4.3.2 点云压缩重建网络 |
4.3.3 多任务损失函数设计 |
4.4 点云压缩重建网络的实验设计 |
4.4.1 实验设计细节 |
4.4.2 实验应用数据集 |
4.5 点云压缩重建实验结果及分析 |
4.5.1 点云场景识别结果分析 |
4.5.2 点云场景重建可视化结果 |
4.5.3 点云场景重建定量分析 |
4.6 本章小结 |
第五章 多传感器融合感知平台和特征隐空间表征应用验证 |
5.1 多传感器融合感知平台设计 |
5.2 SEU-FX数据集 |
5.3 环境识别应用分析 |
5.4 激光SLAM中点云特征隐空间的应用 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
作者简介 |
(6)基于FPGA与PC/104的导航计算机系统设计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与需求分析 |
1.2 导航计算机的发展现状 |
1.3 嵌入式实时操作系统在导航系统中的应用 |
1.4 本文组织结构 |
第二章 系统总体设计 |
2.1 引言 |
2.2 需求分析 |
2.2.1 功能需求 |
2.2.2 性能需求 |
2.3 总体架构设计 |
2.3.1 数据采集模块 |
2.3.2 导航解算模块 |
2.4 器件选型 |
2.4.1 FPGA选型 |
2.4.2 PC/104 选型 |
2.5 软件开发环境 |
2.6 本章小结 |
第三章 基于FPGA的数据采集系统设计 |
3.1 引言 |
3.2 总体设计 |
3.2.1 AXI总线简介 |
3.2.2 FPGA顶层设计 |
3.3 串口数据解析IP核 |
3.3.1 异步串行通讯标准 |
3.3.2 异步串行数据解析IP核设计 |
3.4 加表脉冲计数IP核 |
3.4.1 I/F变换简介 |
3.4.2 脉冲计数IP核设计 |
3.5 双口RAM IP核 |
3.5.1 双口RAM介绍 |
3.5.2 Vivado中双口RAM的使用 |
3.6 PC/104 接口IP核 |
3.6.1 接口信号介绍 |
3.6.2 功能实现 |
3.7 基于μC/OS-Ⅲ的数据整合系统 |
3.7.1 μC/OS-Ⅲ操作系统简介 |
3.7.2 功能设计与应用软件开发 |
3.8 本章小结 |
第四章 基于PC/104 的导航解算系统设计 |
4.1 引言 |
4.2 Vx Works移植与开发 |
4.2.1 启动过程分析 |
4.2.2 BSP配置 |
4.2.3 开发环境搭建 |
4.2.4 应用软件开发 |
4.3 捷联导航算法设计 |
4.3.1 预备知识 |
4.3.2 纯惯性解算过程 |
4.3.3 误差传播方程 |
4.4 零速修正算法设计 |
4.4.1 卡尔曼滤波 |
4.4.2 零速修正模型 |
4.5 初始对准算法设计 |
4.5.1 粗对准 |
4.5.2 精对准 |
4.6 本章小结 |
第五章 实验测试 |
5.1 引言 |
5.2 数据采集稳定性测试 |
5.3 导航解算精度测试 |
5.3.1 IMU选型 |
5.3.2 静基座纯惯性精度测试 |
5.3.3 零速修正测试 |
5.4 精度分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读硕士期间发表的论文 |
(7)陆用捷联惯性导航计算机设计与对准技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 相关技术的发展现状 |
1.2.1 陆用惯性导航系统的发展现状 |
1.2.2 导航计算机的发展现状 |
1.2.3 初始对准的发展现状 |
1.3 论文研究内容及结构安排 |
第2章 导航计算机硬件设计 |
2.1 系统指标及总体构成 |
2.1.1 功能需求 |
2.1.2 性能需求 |
2.1.3 系统构成 |
2.2 多处理器的最小系统设计 |
2.2.1 芯片选型 |
2.2.2 时钟电路设计 |
2.2.3 下载调试电路 |
2.2.4 启动与复位电路 |
2.3 系统电源设计 |
2.3.1 防反接电路 |
2.3.2 降压电路 |
2.3.3 隔离电路 |
2.4 信号采集电路设计 |
2.4.1 陀螺信号采集 |
2.4.2 加速度信号采集 |
2.4.3 GPS信号采集 |
2.5 通信电路设计 |
2.5.1 FPGA与 DSP通信 |
2.5.2 DSP与 ARM通信 |
2.5.3 ARM对外部通信 |
2.6 系统PCB设计 |
2.7 本章小结 |
第3章 导航计算机软件设计 |
3.1 总体方案设计 |
3.2 FPGA软件系统设计 |
3.2.1 陀螺与GPS串口采样 |
3.2.2 加速度脉冲采样 |
3.2.3 跨时域数据缓存与读取 |
3.2.4 时钟与复位 |
3.3 DSP软件系统设计 |
3.3.1 BOOT启动流程 |
3.3.2 SYS/BIOS操作系统裁剪 |
3.3.3 系统初始化 |
3.3.4 EMIF接口配置 |
3.4 ARM软件系统设计 |
3.4.1 系统初始化 |
3.4.2 IDLE串口接收 |
3.4.3 接口扩展输出 |
3.5 本章小结 |
第4章 捷联惯导的基本原理及误差分析 |
4.1 捷联惯导基本原理 |
4.2 捷联惯导系统方程 |
4.2.1 姿态更新方程 |
4.2.2 速度更新方程 |
4.2.3 位置更新方程 |
4.3 捷联惯导系统误差方程 |
4.3.1 姿态误差方程 |
4.3.2 速度误差方程 |
4.3.3 位置误差方程 |
4.3.4 系统误差方程 |
4.4 捷联惯导惯性器件误差 |
4.4.1 误差参数分类 |
4.4.2 惯性器件模型建立 |
4.5 本章小结 |
第5章 初始对准技术研究 |
5.1 初始对准流程 |
5.2 静基座粗对准 |
5.2.1 解析式粗对准 |
5.2.2 修正粗对准 |
5.2.3 仿真分析 |
5.3 静基座精对准 |
5.3.1 卡尔曼滤波原理及基本方程 |
5.3.2 静基座对准卡尔曼滤波模型 |
5.3.3 仿真分析 |
5.4 动基座粗对准 |
5.4.1 凝固坐标系下粗对准 |
5.4.2 仿真分析 |
5.5 动基座精对准 |
5.5.1 惯性坐标系下精对准 |
5.5.2 仿真分析 |
5.6 本章小结 |
第6章 实验分析 |
6.1 导航计算机信号采集及输出功能验证 |
6.2 标定方案及实验 |
6.3 三轴转台摇摆对准实验 |
6.4 车载静止对准实验 |
6.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(8)基于ARM技术的盲人避障系统的设计(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及研究目的与意义 |
1.2 国内外研究现状分析 |
1.2.1 国外研究现状分析 |
1.2.2 国内研究现状分析 |
1.3 主要研究内容与论文结构 |
1.3.1 主要研究内容 |
1.3.2 论文结构 |
第2章 系统设计技术基础 |
2.1 嵌入式微处理器ARM概述 |
2.2 嵌入式操作系统及Linux概述 |
2.3 深度学习基础 |
2.3.1 CNN结构及特征 |
2.3.2 常用CNN模型 |
2.4 本章小结 |
第3章 系统需求分析及总体框架设计 |
3.1 交通信号及交通标志牌灯现状分析 |
3.2 交通信号灯和交通标志类型及特征分析 |
3.3 嵌入式-云服务器构架需求分析 |
3.4 嵌入式前端数据采集需求分析 |
3.5 系统总体框架设计 |
3.6 本章小结 |
第4章 系统硬件设计与环境搭建 |
4.1 嵌入式ARM单元模块设计 |
4.2 摄像头图像采集模块设计 |
4.3 超声波测距模块设计 |
4.4 语音播报模块设计 |
4.5 其他电路设计 |
4.6 基于ARM的 Linux系统移植与驱动 |
4.6.1 交叉编译环境的建立 |
4.6.2 Boot Loader的选择和移植 |
4.6.3 Linux内核裁剪与移植 |
4.6.4 根文件系统移植 |
4.6.5 Linux设备的驱动程序 |
4.7 云服务器环境搭建 |
4.8 socket套接字 |
4.9 本章小结 |
第5章 交通信号灯与标志牌检测识别软件设计 |
5.1 基于颜色特征的交通信号灯的检测 |
5.1.1 RGB色彩空间 |
5.1.2 HSV色彩空间 |
5.1.3 基于HSV色彩空间对交通信号灯颜色分割 |
5.2 交通信号灯图像的形态学操作 |
5.3 基于hough变换的形状检测 |
5.4 交通信号灯类型识别 |
5.5 道路交通标志类别与标记 |
5.6 交通标志检测识别 |
5.6.1 交通标志训练数据集 |
5.6.2 交通标志检测识别网络框架设计 |
5.6.3 交通标志检测识别网络训练过程 |
5.6.4 交通标志网络检测结果 |
5.7 本章小结 |
第6章 系统测试与分析 |
6.1 避障语音播报系统的硬件测试 |
6.1.1 嵌入式硬件模块的搭建 |
6.1.2 摄像头图像采集模块的测试 |
6.1.3 超声波测距模块测试 |
6.2 嵌入式前端与云服务器的传输测试 |
6.3 交通信号灯和交通标志检测识别功能测试 |
6.4 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间取得学术成果 |
(9)全源导航智能接口子系统的研制(论文提纲范文)
摘要 |
ABSTRACT |
缩略词 |
第一章 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.2.1 全源导航国内外研究现状 |
1.2.2 全源导航硬件平台智能接口子系统的国内外研究现状 |
1.3 课题研究的目的和意义 |
1.4 论文研究的主要内容 |
第二章 智能接口子系统整体方案研究 |
2.1 引言 |
2.2 智能接口子系统整体方案研究 |
2.3 智能接口子系统需求分析 |
2.3.1 智能接口子系统功能需求分析 |
2.3.2 智能接口子系统性能需求分析 |
2.4 智能接口子系统整体方案设计 |
2.4.1 传感器接口和分析 |
2.4.2 智能接口子系统整体方案设计 |
2.5 本章小结 |
第三章 智能接口子系统硬件和内核软件设计 |
3.1 引言 |
3.2 智能接口子系统硬件和内核软件需求分析 |
3.3 智能接口子系统硬件和内核软件架构设计 |
3.4 智能接口子系统核心板和开发板选型 |
3.5 智能接口子系统接口拓展板设计与实现 |
3.6 智能接口子系统内核软件的传感器即插即用 |
3.6.1 Linux系统驱动即插即用的研究与实现 |
3.6.2 守护进程实现系统级传感器识别与控制 |
3.7 本章小结 |
第四章 智能接口子系统用户软件设计与实现 |
4.1 引言 |
4.2 智能接口子系统用户软件需求分析 |
4.3 智能接口子系统软件框架研究与设计 |
4.4 智能接口子系统用户软件模块设计与实现 |
4.4.1 用户软件数据采集模块设计与实现 |
4.4.2 用户软件异常值剔除ELOF算法的改进与实现 |
4.4.3 用户软件数据时间同步设计与实现 |
4.4.4 用户软件数据发送模块设计与实现 |
4.5 本章小结 |
第五章 智能接口子系统系统性能测试 |
5.1 引言 |
5.2 智能接口子系统测试平台搭建 |
5.3 智能接口子系统系统流程检测 |
5.3.1 智能接口子系统系统准备工作 |
5.3.2 智能接口子系统数据采集 |
5.3.3 智能接口子系统数据传输 |
5.4 智能接口子系统系统传感器系统自适应重构测试 |
5.5 智能接口子系统数据处理软件检测 |
5.5.1 智能接口子系统异常值剔除算法检测 |
5.5.2 智能接口子系统软件数据时间同步算法检测 |
5.6 智能接口子系统系统传输准确性检测 |
5.7 智能接口子系统实时性检测与传感器延时误差分析 |
5.7.1 智能接口子系统传输延时检测 |
5.7.2 智能接口子系统传输延时对传感器数据影响分析 |
5.8 本章小结 |
第六章 全文总结与展望 |
6.1 本文工作总结 |
6.2 后续工作展望 |
参考文献 |
致谢 |
在学期间的研究成果及发表的学术论文 |
(10)人机共驾车辆驾驶人接管过程的认知体系结构模型(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状分析 |
1.2.1 人机共驾车辆的接管 |
1.2.2 认知过程建模理论与方法 |
1.2.3 认知过程建模工具 |
1.2.4 驾驶人在环测试技术 |
1.2.5 研究现状总结 |
1.3 课题支撑 |
1.4 研究内容与章节安排 |
第2章 研究基础理论与方法 |
2.1 引言 |
2.2 认知体系结构建模理论及方法 |
2.2.1 脑功能磁共振成像 |
2.2.2 推理思维自适应模型 |
2.2.3 排队网络系统 |
2.2.4 QN-ACTR认知过程建模方法 |
2.3 驾驶人接管过程的认知问题 |
2.4 本章小结 |
第3章 车辆换道控制模型 |
3.1 引言 |
3.2 驾驶中的认知策略 |
3.2.1 基于SRK层次模型的换道行为 |
3.2.2 基于技能的基本车辆控制策略 |
3.2.3 基于规则的行车环境的观察策略 |
3.2.4 基于知识的车道变换策略 |
3.3 模型的参数估计 |
3.3.1 驾驶行为关键参数分析 |
3.3.2 数据采集实验仪器和设备 |
3.3.3 实验方案设计与过程 |
3.3.4 实验数据处理 |
3.4 基于联合仿真的并行任务认知评估系统 |
3.4.1 基于TORCS平台的车辆仿真系统 |
3.4.2 基于QN-ACTR Java平台的驾驶人仿真系统 |
3.4.3 联合仿真平台搭建 |
3.5 验证与讨论 |
3.6 本章小结 |
第4章 人机共驾认知体系结构模型 |
4.1 引言 |
4.2 接管过程的影响因素 |
4.3 人机共驾车内非驾驶任务 |
4.3.1 人机共驾任务描述 |
4.3.2 SuRT视觉任务模型 |
4.3.3 2-back听觉任务模型 |
4.3.4 DRT驾驶人检测反应任务模型 |
4.4 人机共驾认知体系的构建 |
4.4.1 人机共驾车辆接管策略 |
4.4.2 人机共驾车辆接管评估系统 |
4.5 人机共驾模拟实验验证 |
4.5.1 人机共驾实验设计 |
4.5.2 实验被试与过程 |
4.5.3 实验结果与讨论 |
4.6 本章小结 |
第5章 人机共驾车辆接管过程的认知评估 |
5.1 引言 |
5.2 眼动行为评价 |
5.3 驾驶负荷评价 |
5.4 行驶状态横纵向稳定性分析 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 主要研究工作总结 |
6.2 主要创新点 |
6.3 研究展望 |
参考文献 |
攻读博士学位期间发表的论文及参加的科研项目 |
致谢 |
附录 A 换道控制任务的程序和产生式规则 |
附录 B 产生式规则代码举例 |
附录 C 不中断处理的产生式规则 |
附录 D 人机共驾车辆驾驶人接管过程产生式规则库 |
四、车辆导航数据串行多任务采集系统(论文参考文献)
- [1]10kW中波发射机智能切换系统设计与实现[J]. 李梅. 电子世界, 2021(22)
- [2]基于GNSS伪量测与运动状态估计的组合导航算法研究[D]. 陆爽秋. 北京邮电大学, 2021(01)
- [3]林业背包式激光雷达多传感器集成系统及数据融合的研究[D]. 陈东鹏. 东北林业大学, 2021(08)
- [4]AGV车载控制器设计与研究[D]. 杨荣. 西安科技大学, 2020(01)
- [5]基于深度学习的大场景激光点云环境识别研究[D]. 索传哲. 东南大学, 2020(01)
- [6]基于FPGA与PC/104的导航计算机系统设计[D]. 杨文强. 东南大学, 2020(01)
- [7]陆用捷联惯性导航计算机设计与对准技术研究[D]. 杜方. 哈尔滨工程大学, 2020(05)
- [8]基于ARM技术的盲人避障系统的设计[D]. 娄皓翔. 成都理工大学, 2020(04)
- [9]全源导航智能接口子系统的研制[D]. 谢超. 南京航空航天大学, 2019(02)
- [10]人机共驾车辆驾驶人接管过程的认知体系结构模型[D]. 邓超. 武汉理工大学, 2019(07)