一、雨天駕駛車輛的技巧（論文文獻綜述）
王茂林[1]（2021）在《極端天氣中的車輛安全駕駛技巧分析》文中提出隨著經(jīng)濟快速發(fā)展,大眾生活質量大幅提升,車輛使用頻率逐漸增高,導致目前中國交通壓力過大,安全隱患問題頻發(fā),尤其是在極端天氣如暴雨、冰雪天氣下,交通安全事故發(fā)生頻率較高,這主要是因為目前中國大多數(shù)駕駛者進行車輛駕駛時長期處于較為平穩(wěn)狀態(tài)下（如城市道路）,缺乏極端天氣下安全駕駛技巧,導致一旦出現(xiàn)極端天氣,駕駛人員無法及時作出正確反應。在駕駛過程中一旦出現(xiàn)安全隱患問題,不僅對駕駛人員人身財產(chǎn)造成威脅,還會在一定程度上導致中國交通運行出現(xiàn)狀況。以極端天氣為背景,對車輛安全駕駛技巧進行深入研究,目的是提高駕駛人員在極端天氣下的車輛駕駛技巧,降低交通事故發(fā)生率,為社會穩(wěn)定發(fā)展提供保障。
莊明輝,周章泉,劉閩華[2]（2021）在《論山區(qū)高速雨天事故預防》文中研究表明隨著高速通車里程的增加,高速公路的事故量也隨之增大,筆者以泉南高速公路泉州段、沙廈高速公路德化段為例,聯(lián)系實際地闡述雨天事故多發(fā)的原因及預防措施。
趙文博[3]（2021）在《智能汽車行人避撞系統(tǒng)相機在環(huán)測試方法研究》文中研究指明智能汽車行人避撞系統(tǒng)是一種基于智能傳感信息的旨在避免或減輕車輛對于行人傷害的高級駕駛輔助系統(tǒng)（Advanced Driving Assistance System,ADAS）。傳統(tǒng)道路測試對于復雜工況難以復現(xiàn),相機在環(huán)測試可以通過嵌入真實的相機硬件和構建虛擬場景彌補這種不足。因此搭建相機在環(huán)測試平臺對相機成像影響因素進行深入研究,并以此為基礎構建虛擬測試場景,探尋加速測試方法,對基于視覺信息的智能汽車行人避撞系統(tǒng)進行自動化測試,是未來智能汽車測試領域的重要研究內(nèi)容,也是實現(xiàn)自動駕駛汽車落地的基礎。本文依托國家重點研發(fā)計劃“自動駕駛電動汽車硬件在環(huán)測試環(huán)境構建與模擬測試技術研究”（編號:2018YFB0105103）,開展相機在環(huán)測試方法研究。建立一套相機在環(huán)測試平臺,通過實車數(shù)據(jù)采集和產(chǎn)品級智能相機對該平臺有效性和置信度進行驗證;基于卷積神經(jīng)網(wǎng)絡,設計智能汽車行人避撞系統(tǒng);基于對相機成像影響因素的分析,構建面向行人避撞系統(tǒng)的虛擬測試場景,基于組合測試理論,設計加速測試場景生成方法;最后在測試平臺上進行自動化測試與實驗結果分析。本文主要研究內(nèi)容包括以下四部分:（1）相機在環(huán)測試平臺構建設計相機在環(huán)測試平臺方案,基于虛擬場景投屏的方式,選用顯示器,車載相機、視頻暗箱、Prescan、Matlab/Simulink等軟硬件構建相機在環(huán)測試平臺。將Mobileye相機經(jīng)過標定計算后固定在測試平臺上,通過黑盒測試來驗證實驗臺的功能性;通過實車和測試平臺對比測試,驗證測試平臺置信度。為提高測試效率,提出基于本測試平臺的自動化測試流程。（2）智能汽車行人避撞系統(tǒng)設計提出智能汽車行人避撞系統(tǒng)架構,分別構建基于Yolo-v3和Yolo-v4檢測網(wǎng)絡的單目視覺智能汽車行人避撞系統(tǒng)。選用公開數(shù)據(jù)集COCO和Caltech建立聯(lián)合訓練集,分別對兩種檢測網(wǎng)絡進行訓練,根據(jù)單目測距原理計算人車縱向距離。設計基于最小安全距離模型的主動避撞模塊,通過用戶數(shù)據(jù)報協(xié)議（User Datagram Protocol,UDP）完成行人檢測模塊與主動避撞模塊間通信,并在測試平臺上完成行人避撞功能驗證。（3）面向行人避撞系統(tǒng)的測試場景生成方法研究根據(jù)相機在環(huán)測試功能需求,通過相機模組結構分析光線、雨、雪、霧和運動對相機成像的影響,進行測試場景參數(shù)設計,選擇本車速度、光線、天氣類別、行人穿著顏色及路旁樹木陰影作為場景參數(shù),并按照測試需求進行離散取值,完成了測試場景生成。由于遍歷測試用例數(shù)量會隨著場景參數(shù)個數(shù)及具體取值的增加而呈現(xiàn)指數(shù)上升,為解決此類問題,本文提出基于貪心算法的組合測試用例生成方法。（4）測試實驗與評價方法研究?；谙鄼C在環(huán)測試平臺對行人避撞系統(tǒng)、目標檢測算法以及測試場景生成方法進行了自動測試與分析。使用卡方和雙因素方差法對行人避撞系統(tǒng)測試結果進行分析。對于目標檢測算法,提出了算法動態(tài)性能指標——首次檢測距離和最小安全距離檢測精度,聯(lián)合目標檢測常用指標平均準確率（mean Average Precision,m AP）與每秒傳輸幀數(shù)（Frames Per Second,FPS）進行聯(lián)合評價。對于場景生成方法,較于遍歷測試,基于貪心算法的組合測試提升測試速度近12倍;同時各場景參數(shù)取值頻數(shù)所占比例與遍歷測試大致相同,對基于組合測試的實驗結果進行雙因素方法分析,分析結論與遍歷測試基本一致;兩種測試用例生成方法得到的實驗結果FPS和首次檢測距離均呈現(xiàn)正態(tài)性,且分布狀況一致。
李威[4]（2021）在《面向智能駕駛的交通場景理解方法研究》文中提出智能駕駛作為戰(zhàn)略性新興產(chǎn)業(yè)的重要組成部分,是互聯(lián)網(wǎng)時代向人工智能時代發(fā)展的過程中,世界新一輪經(jīng)濟與科技發(fā)展的戰(zhàn)略制高點之一,是未來解決交通擁堵的重要枝術,能夠大大提升生產(chǎn)效率和交通效率。發(fā)展智能駕駛,對于促進國家科技、經(jīng)濟、社會、生活、安全及綜合國力有著重大的意義。本文以面向智能駕駛的交通場景理解方法為研究對象,圍繞交通標志識別、行人檢測和交通場景語義理解在實際應用中存在的問題進行了深入研究,主要分為以下四部分內(nèi)容。（1）針對交通標志檢測效果易受光線、天氣和運動模糊影響的問題,提出一種基于顏色概率模型的交通標志檢測方法。該方法根據(jù)交通標志中特有的顏色建立顏色概率模型,提高了交通標志與其背景的對比度,通過最大穩(wěn)定極值區(qū)域方法對交通標志感興趣區(qū)域進行提取,使用圖像分類方法對交通標志感興趣區(qū)域進行判定,確定交通標志所在區(qū)域。該方法在德國GTSDB通用數(shù)據(jù)集上進行了實驗驗證,因減少了交通標志感興趣區(qū)域數(shù)量,縮減了搜索空間,從而能夠提高檢測效率和性能。（2）針對真實場景中提取的交通標志圖像清晰度和拍攝角度存在多樣性的特點,提出一種基于融合特征的交通標志分類方法,將基于注意力的Fish Net深度特征與改進的顏色直方圖特征相融合,充分利用了交通標志顏色鮮明的特征,以及Fish Net網(wǎng)絡特征泛化能力強的特點,采用自編碼網(wǎng)絡對交通標志進行分類。該方法在德國GTSRB通用數(shù)據(jù)集上進行了實驗驗證,并與經(jīng)典方法進行了比較,本文方法的分類性能有明顯提升。（3）針對行人因為距離觀察點遠近不同導致的尺度差異,以及行人在直立行走狀態(tài)下寬高比具有特殊性的特點,提出了基于YOLOv3的多尺度行人檢測模型YV3-PD,該模型對三種尺度行人目標分別進行檢測,通過特征重組實現(xiàn)圖像的長方形網(wǎng)格劃分,從而改變圖像網(wǎng)格的寬高比,進而提高了行人檢測的性能。YV3-PD方法分別在INRIA Person數(shù)據(jù)集和Caltech Pedestrian數(shù)據(jù)集上進行了實驗驗證,實驗結果表明,本文方法在不提高漏檢率的前提下,檢測性能明顯提高。（4）針對現(xiàn)有交通領域目標檢測方法所能檢測的目標類別單一的問題,本文提出了基于圖像描述生成技術的交通場景語義理解方法。該方法首次將圖像描述生成技術用于交通場景理解中,創(chuàng)建了基于La RA數(shù)據(jù)集的交通場景描述數(shù)據(jù)集,提出了基于網(wǎng)絡特征組合優(yōu)化的語義理解編碼器-解碼器模型,不僅能夠描述場景中存在的交通目標,還能夠給出直接的駕駛決策和建議。在標準數(shù)據(jù)集Flickr30k和MSCOCO上的實驗定量比較了該方法與其他經(jīng)典方法的性能。在自建的交通場景描述數(shù)據(jù)集上的實驗定性對比了本文方法與傳統(tǒng)方法的區(qū)別,展示了本文方法的優(yōu)勢。
周潤發(fā)[5]（2021）在《融合動態(tài)場景信息和DDPG算法的智能車決策規(guī)劃方法研究與應用》文中研究表明自動駕駛汽車中使用的決策規(guī)劃模塊的目標是配合其他模塊一起,讓車輛可以在安全、舒適且遵守交通規(guī)則的情況下進行自動駕駛。決策規(guī)劃模塊通常是由兩個子模塊來進行實現(xiàn):決策模塊用于生成高層決策,來給出車輛的行為動作;規(guī)劃模塊生成平滑、可行駛的車輛軌跡。雖然決策和規(guī)劃的研究工作已取得了很多巨大的進展,但是這些模塊通常是單獨開發(fā)的,適用場景較為簡單。造成的結果就是,使用現(xiàn)有公開的決策規(guī)劃方法,在動態(tài)障礙物多、道路復雜、天氣環(huán)境多變的場景下就會很容易失效,出現(xiàn)無法輸出安全、穩(wěn)定的行為軌跡的情況。為了解決這個問題,本文結合當前網(wǎng)絡學習算法學習適應能力強和傳統(tǒng)方法可解釋性好、能保證結果平滑的特點,提出了一種以動態(tài)環(huán)境為場景的智能車決策規(guī)劃算法,側重于車輛在直線行駛、轉彎和動態(tài)交通下的決策規(guī)劃任務,并且以通行效率和駕駛安全為目標。與大多數(shù)現(xiàn)有的僅解決決策問題或規(guī)劃問題,又或者只考慮靜態(tài)場景或單個障礙物移動的場景的設計思路不同,本文從決策和規(guī)劃兩個角度出發(fā),分別提出在動態(tài)場景下的決策、規(guī)劃解決方案,并在最后將決策方法與規(guī)劃方法進行聯(lián)合,在動態(tài)場景下進行決策規(guī)劃算法的共同測試。本文的主要研究如下:（1）使用融合動態(tài)場景信息的深度強化學習方法代替?zhèn)鹘y(tǒng)的決策方法。本文使用免模型、可以自學習的深度確定性策略梯度（DDPG）算法作為框架,融合圖像、障礙物感知結果、全局路徑規(guī)劃結果和車輛實時狀態(tài)四種動態(tài)信息,來實現(xiàn)智能汽車的行為決策任務。（2）結合動態(tài)場景的特點對傳統(tǒng)規(guī)劃算法進行優(yōu)化改進。本文使用基于多項式曲線的運動規(guī)劃算法實現(xiàn)智能汽車的軌跡規(guī)劃任務,并結合動態(tài)場景下自身車輛和障礙物的運動特點對軌跡的評價函數(shù)進行重新優(yōu)化設計。（3）使用仿真環(huán)境和實車平臺對決策規(guī)劃系統(tǒng)進行測試驗證并對實驗結果進行分析。首先讓第三章提出的決策算法的結果在Frenet坐標空間中進行了表示,接著利用Frenet坐標系下的決策結果作為第四章規(guī)劃算法的約束,來生成Frenet坐標系下車輛的行駛軌跡。然后使用Carla仿真器生成高仿真的模擬環(huán)境以及實車平臺對本文的決策規(guī)劃系統(tǒng)進行測試驗證。
孫振華[6]（2021）在《高速公路風險識別及主動管控技術 ——以杭紹臺智慧高速公路為例》文中提出高速公路交通事故及人員傷亡是全球性的社會安全問題。風險識別和管控是解決這一問題的前提。本文在應用風險管理基本理論的基礎上,從國內(nèi)外具有代表性的研究成果入手,闡明交通系統(tǒng)中人、車、路和環(huán)境各要素及其相互作用對交通安全的影響,提出高速公路風險因素識別和風險評估方法。結合杭紹臺智慧高速公路建設特點,分別提出駕駛員、車輛、道路和環(huán)境風險管控措施。全面剖析了高速公路風險因素,從駕駛員、車輛、道路及環(huán)境等四個方面,進行風險識別,分析發(fā)現(xiàn),新手駕駛員、特殊運輸車輛、道路要素（半徑、縱坡、視距、車道數(shù)、路肩寬度、立交和隧道）、執(zhí)法和不良天氣是影響高速公路安全的主要風險要素。結合文獻分析和理論模型,分別提出了各風險要素的修正系數(shù)。引入暴露量和名義風險概率因子,構建了高速公路風險評估模型,并以杭紹臺高速為基礎對該模型進行驗證應用。針對駕駛員風險特征,提出了以車路協(xié)同技術為核心的駕駛員風險管控方案。該方案應用杭紹臺智慧高速公路車路協(xié)同系統(tǒng),輔助駕駛員完成復雜的信息處理,誘導駕駛,有利于從源頭上降低因信息不當帶來的風險;創(chuàng)新性地提出了駕駛員速度感知和距離感知增強設施;隧道入口和立交出入口標志信息優(yōu)化設置技術;提出了危險品運輸車輛監(jiān)測-跟蹤-誘導-控制技術;提出了綜合采用減能-穩(wěn)能-消能相結合的長大下坡路段載重車風險控制措施;針對不良天氣對行車環(huán)境的影響,提出了車道可見和隱患消除等主動風險管控技術。本文研究成果對于促進交通安全管理由傳統(tǒng)的交通事故“黑點”改善治理向安全風險因素防控轉變,工作方式由被動向主動轉變,具有一定的參考價值。
張圣根[7]（2021）在《極端天氣下的安全駕駛技巧研究》文中研究說明眾所周知,我國目前交通壓力過大,在極端天氣的影響下,交通事故頻繁發(fā)生,這主要是由于駕駛者對于極端天氣下的安全駕駛技巧過于生疏。基于此種情況,本文將主要圍繞極端天氣下的安全駕駛技巧進行研究,分別探討有關冰雪天、雨天的安全駕駛技巧,以此為駕駛者提供參考,旨在降低交通事故的發(fā)生率。
杰斯·巴特沃斯,約翰-亨利·巴特沃斯,賈森·凱勒,曹宇光[8]（2020）在《極速車王》文中指出外景法國勒芒薩爾特賽道1959年夜晚杜特雷鐘顯示:凌晨3:18。大看臺上:零星的幾個觀眾,有人還精神著,有人手抱頭,有人橫躺在座椅上睡覺。一個胡子拉碴的男人在排行榜上調(diào)整數(shù)字牌,每個牌代表著賽車的當前排位。這時幾輛車從下面呼嘯而過。排行榜上的數(shù)字顯示目前領先的是5號賽車。
朱興林,高超,艾力·斯木吐拉[9]（2020）在《高原公路不同天氣狀況對駕駛人工作負荷的影響》文中研究表明為研究高原公路不同天氣狀況對駕駛人工作負荷的影響,共選定了32名被試駕駛人,包括7名外地駕駛員和25名本地駕駛員,在選定的試驗路線上進行了實車試驗。在晴天、雨天、雪天、雪天+大霧（能見度5 m）的4種不同天氣狀況下,選取心率變異性時域指標:相鄰心跳間期之差的均方根值（root-mean-square of difference-value of adjacent R-R interval, RMSSD）、全部竇性心博R-R間期的標準差（standard deviation of R-R interval, SDNN）、相鄰NN間期差值>50 ms的百分數(shù)(percentage of R-R intervals at least 50 ms different from the previous interval, PNN50)和心率增長率作為駕駛人工作負荷表征指標,研究在高原公路不同天氣狀況下被試駕駛人工作負荷變化規(guī)律。研究結果表明:高原公路不同天氣狀況對駕駛人的工作負荷有顯著的影響,駕駛人工作負荷因天氣條件的惡劣程度和海拔高度而增加,道路的天氣狀況、能見度及海拔高度的共同作用對駕駛員工作負荷影響最大。
張錦思[10]（2020）在《實訓型駕駛模擬器訓練駕駛行為評價設計與視景仿真評價探究》文中研究說明實訓型駕駛模擬器的推廣和使用,對駕駛操作的規(guī)范、實車培訓效率的提高以及駕駛安全意識培養(yǎng)具有重大意義。為進一步提升和優(yōu)化實訓型駕駛模擬器的培訓效果,本文就駕駛操作行為進行評價設計,實現(xiàn)駕駛訓練的有效反饋,培養(yǎng)駕駛安全意識,提高駕駛訓練效率和質量。并通過駕駛體驗對模擬器的駕駛視景進行評價,實現(xiàn)視景建模與仿真的改進,提升模擬器駕駛的真實程度,增強駕駛人員與駕駛模擬器的交互感。本文選取Multigen Creator和Vega prime聯(lián)合仿真,實現(xiàn)了駕駛訓練及駕駛體驗所需要駕駛道路、環(huán)境、車輛模型的建立,在Visual Studio 2010集成開發(fā)環(huán)境的MFC應用程序框架下,調(diào)用Vega prime的API函數(shù)庫及自定義程序,實現(xiàn)了視景的動態(tài)驅動與控制。分析選取了 Vega prime中的Tripod地形檢測算法,對駕駛場景進行地形檢測,實現(xiàn)車輛在虛擬場景中隨地形變化的正常駕駛。對駕駛操作基于串口傳遞信息與自定義檢測算法檢測信息的多源信息采集融合,建立了駕駛操作行為的判定模型,依托駕駛考試標準,對駕駛存在的問題扣除分數(shù)按失誤程度分為5分、10分、100分,分別建立了 25條駕駛行為評價指標。對評價指標邏輯化、模塊化處理,設置對駕駛失誤的語音響應,生成最終結果,駕齡越高在訓練場景中扣分越少,說明駕駛模擬器的駕駛訓練對駕駛操作行為評價可實現(xiàn)良好的培訓效果;男女在不同駕齡段的表現(xiàn)處于同一等級,表明性別對駕駛操作行為影響不大。在視景仿真中,選擇城市、高速、山區(qū)以及加入干擾因子道路場景模型要素分析,界面仿真設計、交互體驗感評價等六個方面,建立6個一級指標,21個二級指標的分層級仿真視景的評價指標體系,應用基于群決策理論的層次分析法確定指標權重,通過駕駛人員的駕駛體驗,83.3%的人認為駕駛場景很好或良好,女性較男性對駕駛場景模型評分偏低,對環(huán)境完整度、協(xié)調(diào)度等方面的要求較高。惡劣天氣下的仿真得分較其他指標評價偏低,該場景中的仿真效果仍需進一步改善。
二、雨天駕駛車輛的技巧（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、雨天駕駛車輛的技巧（論文提綱范文）
（1）極端天氣中的車輛安全駕駛技巧分析（論文提綱范文）
| 1 暴雨天氣下的駕駛技巧 |
| 1.1 進行防霧燈和雨刮器檢查工作 |
| 1.2 降低行駛速度 |
| 1.3 正確應用遠近燈光 |
| 1.4 判斷路面積水 |
| 1.5 駕駛艙進水以后的處理方式 |
| 2 風沙天氣下的駕駛技巧 |
| 3 霧霾天氣下的駕駛技巧 |
| 4 結束語 |
（2）論山區(qū)高速雨天事故預防（論文提綱范文）
| 1 轄區(qū)天氣事故情況 |
| 2 雨天事故多發(fā)原因 |
| 2.1 駕駛人方面 |
| 2.1.1 駕駛人自身麻痹大意，安全意識不足 |
| 2.1.2 駕駛人操作技術問題 |
| 2.2 車輛方面 |
| 2.2.1 非營運車駕駛人依賴車輛系統(tǒng) |
| 2.2.2 營運車駕駛人減少成本 |
| 2.2.3 道路方面 |
| 2.2.4 管理方面 |
| 3 雨天事故預防措施 |
| 3.1 加大對雨天安全行車日常教育宣傳 |
| 3.2 做好轄區(qū)路面雨天事故易發(fā)路段的重點提醒 |
| 3.3 做好路面隱患排查 |
| 4 雨天路面管理 |
| 4.1 注重雨天路面宣傳的時效性 |
| 4.1.1 雨天及時向社會公布提示信息 |
| 4.1.2 給各中隊配備“預警精靈” |
| 4.2 加強雨天的路面管控 |
| 4.2.1 強化科技巡邏 |
| 4.2.2 提高路面能見度 |
| 4.2.3 設置縱向減速標線及便攜式變道抓拍系統(tǒng) |
| 4.2.4 設置LED彎道導向標 |
| 4.3 減少二次事故 |
| 5 結論與建議 |
| 5.1 加快對駕考和培訓模式的升級 |
| 5.2 加大立法 |
| 5.3 加強高速公路基礎設施建設 |
（3）智能汽車行人避撞系統(tǒng)相機在環(huán)測試方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內(nèi)外發(fā)展現(xiàn)狀 |
| 1.2.1 相機在環(huán)測試發(fā)展概述 |
| 1.2.2 測試場景設計發(fā)展概述 |
| 1.2.3 行人避撞系統(tǒng)發(fā)展概述 |
| 1.3 本文主要研究內(nèi)容與方法 |
| 第2章 相機在環(huán)測試平臺構建 |
| 2.1 相機在環(huán)測試平臺方案 |
| 2.2 相機在環(huán)測試平臺軟硬件系統(tǒng) |
| 2.2.1 軟件系統(tǒng) |
| 2.2.2 硬件系統(tǒng) |
| 2.3 相機在環(huán)測試平臺驗證實驗 |
| 2.3.1 相機在環(huán)測試平臺功能驗證 |
| 2.3.2 相機在環(huán)測試平臺置信度驗證 |
| 2.4 相機在環(huán)測試平臺自動化測試方法 |
| 2.5 本章小結 |
| 第3章 智能汽車行人避撞系統(tǒng)設計 |
| 3.1 智能汽車行人避撞系統(tǒng)架構 |
| 3.2 行人檢測模塊設計 |
| 3.2.1 卷積神經(jīng)網(wǎng)絡概述 |
| 3.2.2 基于Yolo-v3的行人檢測模塊構建 |
| 3.2.3 基于Yolo-v4的行人檢測模塊構建 |
| 3.3 主動避撞模塊設計 |
| 3.4 本章小結 |
| 第4章 面向行人避撞系統(tǒng)的測試場景生成研究 |
| 4.1 相機在環(huán)測試功能需求 |
| 4.2 車載相機成像影響因素分析 |
| 4.2.1 光線對成像的影響 |
| 4.2.2 復雜天氣對成像的影響 |
| 4.2.3 車輛運動對成像的影響 |
| 4.3 測試場景參數(shù)設計 |
| 4.4 基于組合測試的測試用例生成方法研究 |
| 4.4.1 組合測試概述 |
| 4.4.2 組合測試模型 |
| 4.4.3 基于貪心算法的組合測試用例生成方法 |
| 4.5 本章小結 |
| 第5章 測試實驗與評價方法研究 |
| 5.1 行人避撞系統(tǒng)測試通過性分析 |
| 5.1.1 單一場景因素對系統(tǒng)性能的影響 |
| 5.1.2 復雜天氣多因素交互對系統(tǒng)性能的影響 |
| 5.2 目標檢測算法性能評價 |
| 5.2.1 目標檢測算法靜態(tài)評價指標 |
| 5.2.2 目標檢測算法動態(tài)評價指標 |
| 5.3 組合測試實驗結果分析 |
| 5.4 本章小結 |
| 第6章 全文總結與展望 |
| 6.1 全文總結 |
| 6.2 研究展望 |
| 參考文獻 |
| 作者簡介及在學期間所取得的科研成果 |
| 致謝 |
（4）面向智能駕駛的交通場景理解方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 依托項目 |
| 1.2 研究背景與意義 |
| 1.3 研究現(xiàn)狀 |
| 1.3.1 交通標志識別 |
| 1.3.2 行人檢測 |
| 1.3.3 場景語義理解 |
| 1.3.4 現(xiàn)狀分析 |
| 1.4 技術路線及章節(jié)組織 |
| 1.4.1 技術路線 |
| 1.4.2 章節(jié)組織 |
| 1.5 本章小結 |
| 第2章 基于顏色概率模型的交通標志檢測 |
| 2.1 概述 |
| 2.2 基于顏色空間閾值的交通標志感興趣區(qū)域提取方法 |
| 2.3 級聯(lián)方式的候選感興趣區(qū)域提取 |
| 2.3.1 顏色概率模型 |
| 2.3.2 基于最大穩(wěn)定極值區(qū)域的候選感興趣區(qū)域提取 |
| 2.4 基于HOG-SIFT特征的交通標志感興趣區(qū)域識別 |
| 2.4.1 交通標志感興趣區(qū)域HOG特征提取 |
| 2.4.2 交通標志感興趣區(qū)域SIFT特征提取 |
| 2.4.3 基于SVM的感興趣區(qū)域識別 |
| 2.5 實驗分析 |
| 2.5.1 交通標志檢測數(shù)據(jù)集 |
| 2.5.2 交通標志檢測評價方法 |
| 2.5.3 實驗結果與分析 |
| 2.6 本章小結 |
| 第3章 基于注意力的Fish Net深度特征的交通標志分類 |
| 3.1 概述 |
| 3.2 交通標志分類方法框架設計 |
| 3.3 交通標志特征提取 |
| 3.3.1 Fish Net深度網(wǎng)絡結構 |
| 3.3.2 基于深度特征的注意力機制 |
| 3.3.3 基于改進的顏色直方圖特征提取 |
| 3.3.4 基于深度特征與顏色直方圖的特征融合 |
| 3.4 基于自編碼網(wǎng)絡的交通標志分類 |
| 3.4.1 自編碼網(wǎng)絡模型 |
| 3.4.2 基于自編碼網(wǎng)絡的交通標志分類 |
| 3.5 實驗分析 |
| 3.5.1 交通標志分類數(shù)據(jù)集 |
| 3.5.2 模型相關參數(shù)設置 |
| 3.5.3 實驗結果與分析 |
| 3.6 本章小節(jié) |
| 第4章 基于YOLOv3網(wǎng)絡的多尺度行人檢測 |
| 4.1 概述 |
| 4.2 基于YOLOv3的行人檢測網(wǎng)絡模型 |
| 4.2.1 YOLO網(wǎng)絡模型 |
| 4.2.2 YV3-PD網(wǎng)絡模型結構 |
| 4.3 實驗分析 |
| 4.3.1 行人數(shù)據(jù)集 |
| 4.3.2 評測指標 |
| 4.3.3 實驗結果與分析 |
| 4.4 本章小結 |
| 第5章 基于圖像描述生成的交通場景語義理解 |
| 5.1 概述 |
| 5.2 交通場景語義理解網(wǎng)絡模型構建 |
| 5.3 編碼器-解碼器網(wǎng)絡 |
| 5.3.1 網(wǎng)絡架構 |
| 5.3.2 編碼器結構 |
| 5.3.3 解碼器結構 |
| 5.4 基于編碼器-解碼器的交通場景語義理解 |
| 5.4.1 基于網(wǎng)絡特征組合優(yōu)化的編碼器 |
| 5.4.2 基于LSTM的解碼器 |
| 5.5 實驗分析 |
| 5.5.1 數(shù)據(jù)準備及預處理 |
| 5.5.2 訓練與測試細節(jié) |
| 5.5.3 評價標準 |
| 5.5.4 實驗結果與分析 |
| 5.6 本章小結 |
| 第6章 結論與展望 |
| 6.1 工作總結 |
| 6.2 主要創(chuàng)新點 |
| 6.3 研究展望 |
| 參考文獻 |
| 作者簡介及在學期間所取得的科研成果 |
| 致謝 |
（5）融合動態(tài)場景信息和DDPG算法的智能車決策規(guī)劃方法研究與應用（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究工作的背景與意義 |
| 1.2 智能汽車決策規(guī)劃算法的國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國外智能汽車的決策規(guī)劃研究現(xiàn)狀 |
| 1.2.2 國內(nèi)智能汽車的決策規(guī)劃研究現(xiàn)狀 |
| 1.3 強化學習算法的研究現(xiàn)狀 |
| 1.4 研究內(nèi)容 |
| 1.5 章節(jié)安排 |
| 第二章 智能汽車決策規(guī)劃算法綜述 |
| 2.1 引言 |
| 2.2 智能汽車的決策規(guī)劃模塊 |
| 2.3 智能汽車的決策方法 |
| 2.3.1 基于規(guī)則的智能車決策 |
| 2.3.2 基于學習的智能車決策 |
| 2.4 智能汽車的軌跡規(guī)劃方法 |
| 2.4.1 基于采樣插值的運動規(guī)劃 |
| 2.4.2 基于模型優(yōu)化的運動規(guī)劃 |
| 2.5 本章小結 |
| 第三章 融合動態(tài)場景信息的DDPG智能車決策算法研究 |
| 3.1 決策算法網(wǎng)絡框架結構 |
| 3.2 DDPG算法框架 |
| 3.2.1 算法基礎 |
| 3.2.2 網(wǎng)絡結構 |
| 3.2.3 網(wǎng)絡更新 |
| 3.2.4 探索策略 |
| 3.3 融合動態(tài)場景信息的DDPG智能車決策方法 |
| 3.3.1 模型整體框架與輸入信息 |
| 3.3.2 動態(tài)信息特征提取模塊設計 |
| 3.3.3 Actor-Critic網(wǎng)絡設計 |
| 3.3.4 獎勵函數(shù)設計 |
| 3.4 仿真實驗與分析 |
| 3.4.1 實驗環(huán)境及任務 |
| 3.4.2 實驗過程 |
| 3.4.3 實驗結果分析與結論 |
| 3.5 本章小結 |
| 第四章 面向動態(tài)場景的規(guī)劃算法研究 |
| 4.1 面向動態(tài)場景的規(guī)劃框架 |
| 4.2 Frenet坐標系與車輛模型 |
| 4.2.1 Frenet坐標系簡述 |
| 4.2.2 車輛動力學模型 |
| 4.3 Frenet坐標系下橫縱向運動軌跡生成 |
| 4.3.1 Frenet坐標系下軌跡解耦 |
| 4.3.2 橫向軌跡生成 |
| 4.3.3 縱向軌跡生成 |
| 4.4 軌跡評價函數(shù)的設計 |
| 4.4.1 基本參數(shù)評估 |
| 4.4.2 碰撞評估 |
| 4.4.3 舒適性與時效性評估 |
| 4.5 純追蹤算法 |
| 4.6 仿真實驗與分析 |
| 4.6.1 實驗環(huán)境 |
| 4.6.2 實驗過程 |
| 4.6.3 實驗結果與分析 |
| 4.7 本章小結 |
| 第五章 智能車的決策規(guī)劃算法的系統(tǒng)驗證 |
| 5.1 引言 |
| 5.2 決策模塊與規(guī)劃模塊的聯(lián)合 |
| 5.3 仿真平臺搭建 |
| 5.3.1 仿真平臺的選擇 |
| 5.3.2 仿真實驗環(huán)境配置 |
| 5.3.3 實驗方案設計 |
| 5.4 仿真實驗結果與分析 |
| 5.4.1 仿真測試結果 |
| 5.4.2 定量與定性分析 |
| 5.5 實車實驗 |
| 5.5.1 實車測試平臺 |
| 5.5.2 實車自動駕駛系統(tǒng) |
| 5.5.3 實車測試 |
| 5.6 本章小結 |
| 第六章 總結與展望 |
| 6.1 全文總結 |
| 6.2 未來工作展望 |
| 致謝 |
| 參考文獻 |
| 攻讀碩士學位期間取得的成果 |
（6）高速公路風險識別及主動管控技術 ——以杭紹臺智慧高速公路為例（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.2 研究目的和意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 風險識別國內(nèi)外研究現(xiàn)狀 |
| 1.3.2 主動管控技術國內(nèi)外研究現(xiàn)狀 |
| 1.3.3 國內(nèi)外研究現(xiàn)狀分析 |
| 1.4 研究內(nèi)容和技術路線 |
| 1.4.1 研究內(nèi)容 |
| 1.4.2 技術路線 |
| 第二章 高速公路風險因素分析及風險評估方法 |
| 2.1 高速公路的風險要素及其相互關系分析 |
| 2.1.1 相關概念 |
| 2.1.2 高速公路風險要素相互關系 |
| 2.2 駕駛員、車輛、道路及環(huán)境風險因素識別 |
| 2.2.1 駕駛員風險因素識別 |
| 2.2.2 道路特征風險因素識別 |
| 2.2.3 車輛風險因素識別 |
| 2.2.4 環(huán)境風險因素識別 |
| 2.3 高速公路風險評估 |
| 2.3.1 高速公路風險概率 |
| 2.3.2 暴露量的確定 |
| 2.3.3 高速公路風險評估模型 |
| 2.4 案例分析(以杭紹臺智慧高速公路為例) |
| 2.4.1 評估路段概況 |
| 2.4.2 評估路段風險概率 |
| 2.4.3 評估路段暴露量 |
| 2.4.4 評估路段風險分布 |
| 2.5 本章小結 |
| 第三章 駕駛員風險主動管控技術 |
| 3.1 駕駛員信息處理特性 |
| 3.1.1 視覺信息的感知與接收 |
| 3.1.2 視覺信息的處理過程 |
| 3.2 基于駕駛失誤的風險致因 |
| 3.2.1 由于信息原因而產(chǎn)生的駕駛失誤 |
| 3.2.2 由于環(huán)境要求引起的駕駛失誤 |
| 3.2.3 由于駕駛員感知能力偏差引起的駕駛失誤 |
| 3.2.4 由于駕駛員駕駛經(jīng)驗引起的駕駛失誤 |
| 3.3 基于駕駛員失誤的風險管控技術 |
| 3.3.1 基于車路協(xié)同的駕駛員輔助信息處理技術 |
| 3.3.2 基于駕駛員感知失誤的風險控制技術 |
| 3.3.3 隧道入口及立交出入口標志設置技術 |
| 3.4 本章小結 |
| 第四章 車輛、道路和環(huán)境風險主動管控技術 |
| 4.1 特殊路段風險控制技術 |
| 4.1.1 曲線路段視線誘導及速度控制技術 |
| 4.1.2 長下坡路段風險綜合防控技術 |
| 4.1.3 隧道路段風險防控技術 |
| 4.2 不良天氣風險控制技術 |
| 4.2.1 風險防控需求分析 |
| 4.2.2 全天候風險管控實施方案 |
| 4.3 特殊運輸車輛風險控制技術 |
| 4.3.1 危險品運輸車輛監(jiān)測-跟蹤-誘導-控制技術 |
| 4.3.2 超限車輛安全風險管控 |
| 4.4 本章小結 |
| 第五章 結論與展望 |
| 5.1 主要成果和結論 |
| 5.2 研究展望 |
| 參考文獻 |
| 攻讀學位期間取得的研究成果 |
| 致謝 |
（7）極端天氣下的安全駕駛技巧研究（論文提綱范文）
| 1 引言 |
| 2 冰雪天安全駕駛技巧 |
| 3 雨天安全駕駛技巧 |
| 3.1 完善防霧及雨刷檢查工作 |
| 3.2 科學使用燈光 |
| 4 結語 |
（9）高原公路不同天氣狀況對駕駛人工作負荷的影響（論文提綱范文）
| 1 試驗 |
| 1.1 試驗道路 |
| 1.2 試驗儀器 |
| 1.3 試驗人員 |
| 1.4 試驗環(huán)境 |
| 2 心電指標 |
| 3 不同海拔高度下駕駛人工作負荷的差異 |
| 3.1 心率增長率和PNN50在不同海拔高度下的變化 |
| 3.2 RMSSD和SDNN在不同海拔高度下的變化 |
| 3.3 本地與外地駕駛人駕駛負荷對比 |
| 4 不同天氣狀況對駕駛人工作負荷的影響 |
| 5 結論 |
（10）實訓型駕駛模擬器訓練駕駛行為評價設計與視景仿真評價探究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 選題背景 |
| 1.2 研究意義 |
| 1.3 國內(nèi)外研究現(xiàn)狀 |
| 1.3.1 國外研究現(xiàn)狀 |
| 1.3.2 國內(nèi)研究現(xiàn)狀 |
| 1.4 研究內(nèi)容 |
| 1.5 技術路線 |
| 第二章 駕駛視景仿真模型的建立與驅動 |
| 2.1 駕駛視景仿真平臺的選擇 |
| 2.2 駕駛模擬器的總體設計 |
| 2.3 駕駛視景仿真模型的建立 |
| 2.3.1 整體建模過程分析 |
| 2.3.2 道路模型的建立 |
| 2.3.3 場景環(huán)境模型的建立 |
| 2.3.4 車輛模型的建立 |
| 2.4 駕駛視景仿真模型的動態(tài)驅動與控制 |
| 2.4.1 駕駛視景聯(lián)合仿真的實現(xiàn) |
| 2.4.2 駕駛視景文件格式的優(yōu)化 |
| 2.4.3 駕駛視景動態(tài)加載的實現(xiàn) |
| 2.4.4 駕駛視景仿真模型的控制實現(xiàn) |
| 2.5 本章小結 |
| 第三章 多源信息融合的駕駛操作行為判定模型的建立 |
| 3.1 場景地形檢測的實現(xiàn) |
| 3.2 多源信息融合的駕駛行為判定分析 |
| 3.3 基于傳遞信息的駕駛行為判定 |
| 3.3.1 數(shù)據(jù)信息的獲取 |
| 3.3.2 數(shù)據(jù)信息的優(yōu)化 |
| 3.3.3 數(shù)據(jù)信息的傳輸 |
| 3.4 基于檢測信息的駕駛行為判定 |
| 3.4.1 自定義檢測方式的確定 |
| 3.4.2 自定義檢測算法的實現(xiàn) |
| 3.4.3 自定義檢測下駕駛行為判定的實現(xiàn) |
| 3.5 本章小結 |
| 第四章 駕駛行為與仿真視景評價指標體系的建立 |
| 4.1 駕駛操作行為評價指標體系的建立 |
| 4.1.1 科目二培訓場景駕駛操作行為評價指標的建立 |
| 4.1.2 科目三訓練場景駕駛操作行為評價指標的建立 |
| 4.2 駕駛場景評價指標的選取 |
| 4.2.1 視景仿真評價要素分析 |
| 4.2.2 城市道路場景評價指標分析 |
| 4.2.3 高速道路場景評價要素分析 |
| 4.2.4 山區(qū)道路場景評價要素分析 |
| 4.2.5 干擾因子下的道路場景評價要素分析 |
| 4.2.6 場景界面的仿真設計評價要素分析 |
| 4.2.7 人機交互體驗感評價要素分析 |
| 4.3 駕駛場景的評價指標體系的建立 |
| 4.4 本章小結 |
| 第五章 實訓型駕駛模擬器駕駛行為與仿真視景評價 |
| 5.1 駕駛操作行為評價方式分析 |
| 5.1.1 駕駛行為評價執(zhí)行方式的實現(xiàn) |
| 5.1.2 基于駕駛行為判定的行為評價實現(xiàn) |
| 5.1.3 駕駛行為的結果響應 |
| 5.1.4 駕駛行為評價的等級劃分 |
| 5.2 視景仿真評價指標權重確定 |
| 5.2.1 階層結構的建立 |
| 5.2.2 比較判斷矩陣的構建 |
| 5.2.3 計算層次單排序 |
| 5.2.4 一致性檢驗 |
| 5.2.5 計算層次總排序 |
| 5.3 視景仿真評價方式分析 |
| 5.3.1 場景等級劃分 |
| 5.3.2 確定分數(shù)表 |
| 5.4 駕駛行為與視景仿真的評價過程 |
| 5.4.1 實驗方案設計 |
| 5.4.2 駕駛實驗結果統(tǒng)計與分析 |
| 5.4.3 視景仿真實驗結果與分析 |
| 5.5 本章小結 |
| 結論與展望 |
| 參考文獻 |
| 攻讀學位期間取得的研究成果 |
| 致謝 |
四、雨天駕駛車輛的技巧（論文參考文獻）
- [1]極端天氣中的車輛安全駕駛技巧分析[J]. 王茂林. 科技與創(chuàng)新, 2021(21)
- [2]論山區(qū)高速雨天事故預防[J]. 莊明輝,周章泉,劉閩華. 汽車與安全, 2021(08)
- [3]智能汽車行人避撞系統(tǒng)相機在環(huán)測試方法研究[D]. 趙文博. 吉林大學, 2021(01)
- [4]面向智能駕駛的交通場景理解方法研究[D]. 李威. 吉林大學, 2021(01)
- [5]融合動態(tài)場景信息和DDPG算法的智能車決策規(guī)劃方法研究與應用[D]. 周潤發(fā). 電子科技大學, 2021(01)
- [6]高速公路風險識別及主動管控技術 ——以杭紹臺智慧高速公路為例[D]. 孫振華. 長安大學, 2021
- [7]極端天氣下的安全駕駛技巧研究[J]. 張圣根. 時代汽車, 2021(03)
- [8]極速車王[J]. 杰斯·巴特沃斯,約翰-亨利·巴特沃斯,賈森·凱勒,曹宇光. 世界電影, 2020(06)
- [9]高原公路不同天氣狀況對駕駛人工作負荷的影響[J]. 朱興林,高超,艾力·斯木吐拉. 科學技術與工程, 2020(20)
- [10]實訓型駕駛模擬器訓練駕駛行為評價設計與視景仿真評價探究[D]. 張錦思. 長安大學, 2020(06)
標簽：仿真軟件論文; 系統(tǒng)評價論文; 交通標志論文; 交通論文; 智能汽車論文;