飞机牵引机器人路径跟踪模糊控制

为了提高飞机地面自动导航路径跟踪的控制精度,提出了基于模糊自适应控制的智能飞机牵引机器人纯追踪路径跟踪方法。首先建立了牵引机器人-飞机两轮简化模型,进行了路径跟踪运动分析;基于此分析,以牵引机器人-飞机系统运动速度和轨迹误差为输入,以预测距离为输出,通过模糊自适应控制实时调整纯追踪算法预测距离,设计了基于自适应模糊控制的路径跟踪控制器;通过几何仿真和虚拟样机仿真两种方法分别对所提出的方法进行了验证。结果表明,牵引机器人-飞机系统在变速运动时,路径跟踪的轨迹误差能控制在0.5 m左右,完全满足飞机地面自动牵引滑行的精度要求,验证了所提方法的有效性和适应性。     

改进纯追踪模型的农业机械地头转向控制方法

根据农业机械田间地头转向的特点,提出了一种基于改进纯追踪模型的农业机械地头转向控制方法。以简化二轮车作为运动学模型,使用直线组合进行地头转向路径规划,采用BP神经网络实现动态调节前视距离改进纯追踪算法,用该算法进行路径跟踪,实现地头转向动作。MATLAB/Simulink仿真结果表明,该基于改进纯追踪模型的农业机械地头转向控制方法路径规划简单、占用空间小、跟踪精度较高。     

基于模型预测的自动导引车区间轨迹跟踪控制

针对自动导引车(AGV)轨迹跟踪问题,在确定其可行驶区域的基础上,考虑自动导引车的大小和形状,本文设计了一种基于模型预测控制理论的轨迹跟踪控制方法.首先,将车辆运动学模型进行线性化处理,得到车辆动力学线性模型;其次,运用模型预测控制方法,利用预测路径与期望路径之间的误差,通过优化得到使性能指标最优的控制序列;最后,在MATLAB软件上对轨迹跟踪控制器进行仿真.实验结果表明,AGV可以稳定地跟踪参考轨迹,且距离偏差和角度偏差都在给定的可行范围内,证明了提出的基于模型预测控制的轨迹跟踪算法具有良好的跟踪性能.     

基于GM(1,1)预测算法的民航飞机实时轨迹可视算法

针对民航飞机动态飞行可视化中滞后和跳跃问题,研究并提出了一种基于预测的民航飞机实时轨迹可视化算法.算法包括轨迹点预测,目标点行进和误差修正三部分.轨迹点预测基于GM （1,1）算法进行改进,在每次迭代时依据所有先验点和搜索方向动态调整发展系数.目标点行进基于预测坐标点提出TSUS （Time Slice Uniform Speed）算法,TSUS算法保证了在既定时间内目标确实移动到目的地,且能够根据初始速度方向调整轨迹弧度.误差修正采用分段式误差修正策略,以平衡不同情况下精确性和实用性.实验表明,提出的算法模型可用于民航飞机可视轨迹渲染中,且能获得良好的效果,提高系统的可用性和用户体验.     

一种事件驱动型无线传感器网络目标追踪算法的研究

无线传感器网络节点无论在军用还是民用领域都非常适合进行活动目标的追踪任务。基于现有的常用定位算法的分析与研究,针对所提出方法在实际应用中存在如何提高定位精度与减少网络计算开销的难题,提出一种基于最小二乘二步优化目标定位算法;采用分段低阶曲线拟合法计算目标轨迹并预测目标路径,一种路径模型选择机制保障低阶曲线轨迹的拟合精度并降低计算开销,以及目标意外丢失后的恢复策略。仿真结果表明,改进后的目标跟踪算法改善了目标定位和目标位置预测效果,获得跟踪精度较高、网络计算开销较低的效果。     

基于滑模预测控制的海底采矿车轨迹跟踪算法

海底采矿车多工作于稀软底质,其面临的外部扰动较大,难以快速收敛跟踪误差,精准地跟踪预设轨迹。为此,本文提出了一种海底采矿车的滑模预测控制（sliding model predictive control,SMPC）轨迹跟踪算法。基于海底采矿车的运动学模型,首先设计滑模控制率实现轨迹跟踪误差快速收敛,其次利用少预测时域的线性时变模型预测控制算法（linear time varying model predictive control,LTV-MPC）优化该滑模控制率。而后,通过证明滑模控制率收敛和模型预测控制稳定,保证了闭环控制系统的稳定性。RecurDyn&Simulink联合仿真结果表明,与单一的滑模控制（sliding mode control,SMC）和线性时变模型预测控制算法相比,所提出的SMPC轨迹跟踪算法提高了轨迹跟踪精度,且算法具有较好的实时性。     

基于多路线追踪的机器人局部路径规划与实验

为了提高智能送餐机器人局部路径规划的稳定性和实用性,针对在机器人初始姿态与预设路径偏差较大时使用传统纯追踪模型受限的问题,使用多次追踪的方式对传统纯追踪模型算法进行改进。通过建立机器人简化模型,设计多条具有相切几何关系的追踪路线,达到减小前视距离取值的目的,解决了因前视距离取值不当引起的追踪抖动和追踪拟合程度下降的问题,并通过仿真和实验分析,验证了改进后算法的适用性和高效性。     

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。     

基于线控底盘的无人驾驶轨迹跟踪控制研究

为提高结构化工况下无人驾驶汽车轨迹跟踪的精确性,提出一种融合纵向车速跟踪控制器的预瞄轨迹跟踪控制算法。针对四轮转向的特性,基于传统纯跟踪算法设计了四轮转向纯跟踪控制模型;针对纯跟踪算法跟踪效果受车速影响较大的缺陷,设计了纵向车速跟踪控制器并采用n维插值表方式在不同曲率处设置不同车速;将四轮转向纯跟踪算法融合纵向车速跟踪控制器,以达到更好的跟踪效果。仿真与实车试验表明,试验平台可较精确地跟踪规划轨迹并平稳抵达目标终点,实车轨迹跟踪过程中最大横向误差控制在0.497m。     

履带移动平台带边界层bang-bang路径跟踪控制

为实现无法闭环调速的开关阀控履带移动平台路径跟踪,考虑到平台速度低且可原地转向的特点,基于纯追踪算法,提出不需要底层轮速控制的带边界层bang-bang路径跟踪控制算法。根据几何及运动学关系,建立履带移动平台目标点追踪模型;以航向角偏差作为切换函数,通过bang-bang算法控制两侧履带正反转,引入边界层厚度参数,以减小电磁阀开关频率;根据李雅普诺夫稳定性理论,证明了边界层外系统各状态均是稳定的,但边界层内航向角偏差在原点处是不稳定的,且前视距离越小,航向角偏差发散越快。基于Matlab/Simulink和Recurdyn联合仿真平台,选择矩形目标路径,仿真验证了不同前视距离下bangbang算法的路径跟踪效果,并与闭环调速的纯追踪算法进行对比。搭建样机试验平台,对bang-bang路径跟踪控制算法进行地面试验。仿真和试验结果表明,bang-bang路径跟踪控制算法可控制开关阀控履带移动平台实现对直线或折线路径的跟踪,且算法在转角处跟踪精度高于闭环调速的纯追踪算法路径,稳态误差小于9cm,满足煤矿机器人自主导航行走要求。