低 SNR 场景下微型无人机跟踪-检测融合方法

针对低信噪比(SNR)场景下微型无人机探测难题,本文提出了一种基于序贯蒙特卡罗-检测前跟踪(SMC-TBD)的多输入多输出雷达目标跟踪-检测融合方法。区别于跟踪和检测过程相互独立的传统方法,本文方法直接利用三维傅里叶变换后未经阈值处理的雷达原始数据,通过SMC方法计算目标累积存在概率,在实现微型无人机连续检测的同时,完成目标轨迹的高精度跟踪。本文方法的创新在于通过融合检测和跟踪过程,实现了时间-距离-多普勒-方位域目标能量累积,提高了低SNR场景下微型无人机探测性能。实验结果表明,本文方法在SNR低于-20 dB时,微型无人机跟踪性能才逐渐恶化,相比于雷达量测、扩展卡尔曼滤波和粒子滤波提升了约8 dB。     

考虑控制电信号中间量的机床运动控制误差数据驱动建模方法

现有数据驱动的机床运动控制误差建模方法通常使用端到端的模型,即通过机器学习算法直接构建参考轨迹信息(速度、加速度等)与伺服误差之间的模型,以降低建模复杂度。然而,该方法忽视了控制电信号对运动控制系统非线性扰动的反映,而导致建立的模型精度受限。为解决此问题,提出了一种使用控制电信号作为中间量的数据驱动运动控制误差建模方法。该方法采集参考轨迹信息(速度、加速度、急动度等)、控制电信号、跟踪误差以及构造的换向特征,构建并训练基于参考轨迹信息的控制电信号预测网络,以及基于电信号和参考轨迹信息的运动控制误差预测网络,利用控制电信号这一中间量有效反应系统所受非线性扰动的特点,实现了高精度的运动控制误差数据驱动建模。在实际验证测试时,将参考轨迹信息输入电信号预测网络,而后将得到的预测控制电信号和参考轨迹信息输入跟踪误差预测网络,即可实现运动控制误差的预测。通过实验对所提出的建模方法进行了验证,所提出方法相对于传统的端到端建模方法,运动控制误差的预测精度在X轴和Y轴分别提升16.33%和20.42%,误差补偿后运动控制轮廓精度相较于未补偿提升85.59%,验证了所提出方法的可行性。     

遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法

多目标跟踪是保障自动驾驶行驶安全与效率的基础,其获取的数据广泛应用于自动驾驶运动规划、驾驶决策等上层应 用。 传统多目标跟踪方法在遮挡环境下往往存在目标丢失、错位的现象,针对这一问题,本文提出了基于异源雷达融合与遮挡 预测模型的鲁棒跟踪方法。 首先,基于激光雷达与毫米波雷达的局部观测一致性方程,提出了一种基于多目标运动约束与全局 最大匹配的多传感动态自标定算法。 其次,针对完全遮挡环境下因观测数据缺失导致的跟踪中断问题,提出了一种基于异构雷 达融合无迹卡尔曼滤波与长短期时序神经网络的混合监督目标位置预测方法。 通过实验表明,本文提出的方法在完全遮挡环 境下可有效补全至少 81% 断开的多车辆目标轨迹,且相比于最先进的方法,能够实现更为可靠的多交通目标跟踪。     

基于T-S模糊变权重MPC的智能车轨迹跟踪控制

为了协调智能驾驶车辆的轨迹跟踪精确性和稳定性,提高控制算法对不同工况的自适应能力,提出基于Takagi-Sugeno模糊变权重模型预测控制(Takagi-Sugeno fuzzy model predictive control,T-S FMPC)的轨迹跟踪控制策略。以前轮转角为控制变量建立MPC控制,并以实时横向位移误差和横摆角误差为模糊输入,通过T-S模糊控制在线优化MPC目标函数权重,协调权重矩阵对轨迹跟踪精确性和稳定性的影响。基于Carsim建立分布式驱动电动汽车的整车动力学模型,基于Simulink建立控制策略,通过双移线工况仿真及实车试验,验证了所提控制策略的有效性。仿真结果表明,相比于传统MPC控制,所提出的T-S模糊变权重MPC控制可降低横向位移误差达62.24%,有效提高轨迹跟踪精度;并且可使前轮转角波动减小37.46%、横摆角误差减小84.19%,显著增强轨迹跟踪稳定性;试验结果表明,在20 km/h、沥青路面双移线工况下,横向位移误差在0.12 m以内,横摆角误差在1°以内,且前轮转角控制曲线平滑,说明所提算法具有良好的控制效果和实用性。     

基于斜率约束和回溯搜索的水下多目标跟踪方法

针对复杂水域环境下的多目标跟踪问题,本文提出了一种基于斜率约束和回溯搜索的多目标跟踪方法。首先,基于方位测量数据和水下目标运动学分析,利用门限阈值的方法检测目标。然后,基于传统多假设跟踪算法框架设计一种新的斜率约束和共用量测的假设生成规则。在航迹中断时,通过回溯搜索的方法确定中断起始航迹点,利用容积卡尔曼滤波对中断航迹预测和补偿,同时对假设生成结果减枝,以达到降低算法空间复杂度的目的。试验结果表明:该方案能够实现多目标自动关联跟踪、中断航迹自动预测、自动航迹终止等任务,目标跟踪平均均方根误差0.594 4°,算法平均运行时间0.826 5 s。     

基于协调误差的目标轨迹预见跟踪控制的研究

针对系统已知的空间目标轨迹，提出了一种基于协调误差的空间目标轨迹最优预见跟踪控制的方法，其核心是将轨迹的协调跟踪误差和轨迹的位置跟踪误差考虑成系统的状态变量，并实施最优反馈控制。仿真分析表明，该轨迹跟踪控制方法能够有效提高系统的轨迹跟踪控制精度。     

基于Mean Shift和灰色预测的快速运动行人跟踪

针对MeanShift跟踪算法在跟踪快速运动的行人时往往不能持续跟踪的不足,提出了一种基于GM（1,1）灰色预测的MeanShift运动行人跟踪算法。依据行人衣装颜色分布建立了目标模板,利用GM（1,1）模型预测行人可能出现的位置并作为搜索目标的起始点,在该点邻域内利用MeanShift迭代求取行人的实际位置。实验结果表明,本算法对于快速运动行人和被遮挡行人均能给出较为良好的跟踪效果,并减少了MeanShift的迭代次数。     

无迹信息滤波耦合交互式多模型的多传感器机器人轨迹控制

为了实现对包装运输过程中机器人的轨迹跟踪,基于无迹信息滤波技术(UIF)和交互式多模型技术(IMM),提出了一种新的多传感器数据融合算法(UIF-IMM),融合了单个IMM滤波器、每个UIF的信息状态贡献和信息矩阵等信息.通过对机器人轨迹跟踪可知:在4种轨迹跟踪算法中,提出的算法跟踪效果最好,均方根位置误差和角度误差均最小,分别为0.047和0.9.在分布式传感器节点(UIF-IMM 2)中,采用模型似然函数组合的多传感器融合算法,其位置精度和角度精度均优于不进行组合的多传感器融合算法(UIF-IMM 1).提出的滤波方法可以很好地解决分布式多传感器环境下机器人的跟踪问题,在机动目标定位领域具有一定的参考价值.     

基于改进Hough变换的检测前跟踪方法

在微弱目标检测的算法研究中,检测前跟踪(TBD)方法是在低信噪比情况下目标检测的有效途径.一种基于信息辅助的Hough变换微弱目标检测方法被提出.该方法着重Hough变换在距离一多普勒一帧三维空间中的应用.它利用基于系统先验信息的点斜式Hough变换估计目标航迹进行跟踪,然后再根据估计航迹进行多帧积累提高目标信号SNR的方法能对微弱目标检测.由于利用了先验信息,算法的运算量被有效地降低了.蒙特卡洛仿真验证了所提方法的有效性.     

视频测量中人工标志点的目标跟踪

针对视频测量中不同时刻标志点的对应问题,提出了一种基于轨迹预测的目标跟踪方法。将二维图像标志点的目标跟踪问题转换为三维空间的多目标跟踪问题,建立了运动模型,从状态方程求取观测方程,用卡尔曼滤波器预测标志点在下一时刻的轨迹,根据实测位置与预测轨迹的接近程度确定对应。论文方法避开了二维图像跟踪所存在的诸多困难,提高了标志点目标跟踪的效率和鲁棒性。     

考虑振动抑制的多冗余度特种操作机器人轨迹优化方法

为了实现复杂曲管内曲面的自动化喷涂作业,设计多自由度的冗余度特种操作机器人。而多冗余度机器人系统刚度低,使得机器人在喷涂作业过程中出现振动,末端轨迹跟踪误差加大,降低了涂层质量。为此,通过分析冗余度机器人带有弹性变形影响的动力学方程,提出一种利用冗余自由度对机器人关节空间作业轨迹进行优化的新方法,实现了机器人在作业过程中的振动抑制,并且满足复杂三维工作空间约束。在试验中应用此方法,机器人在运动过程中既满足复杂的工作约束,同时减少了末端的振动,实现了振动抑制,证明了该优化方法的有效性。     

基于改进扩展状态观测器的四旋翼无人机轨迹鲁棒跟踪控制

针对四旋翼无人机在轨迹跟踪过程中会受到内外部扰动、模型误差等不确定性因素的影响,本文提出了一种基于改进型扩展状态观测器的积分滑模控制方案。具体来讲,首先,将四旋翼无人机系统存在的模型误差以及内外部扰动等不确定性因素视作集总干扰,通过借鉴的改进扩展状态观测器对其进行观测;进而,在此基础上,进一步考虑四旋翼无人机系统控制的连续性,基于四旋翼无人机轨迹误差、速度误差、姿态角误差和姿态角速度误差设计积分滑模控制器,分析了系统的稳定性并分别进行了数值仿真和实机实验。结果表明,采用本文算法时,在数值仿真中,各状态跟踪误差不超过1%,跟踪精度最高;在实机实验中,位置跟踪误差总体上能控制在20%以下。因此,本文方法具备有效性和可行性。     

单站车载光电跟踪设备预测卫星轨道的误差修正

针对车载跟瞄设备对低轨卫星进行跟踪时,采用传统的卫星轨道双行根数预报数据精度较低,而且在跟踪过程中遇到云雾遮蔽或天顶跟踪盲区时易发生目标丢失现象,提出利用单站车载跟瞄设备获得的实测数据,基于改进的拉普拉斯轨道预测方法对卫星轨道进行预测.考虑预测模型、测量轴系和坐标变换等多种原因造成的预测误差,讨论了减少误差的方法,并采...     

蛇形机器人跟踪误差预测的自适应轨迹跟踪控制器

为了满足蛇形机器人轨迹跟踪运动的精度需要,消除外界干扰对机器人跟踪误差的影响,提出了一种蛇形机器人跟踪 误差预测的自适应轨迹跟踪控制器。 所提出的控制器实现了机器人干扰变量、摩擦系数和控制参数的预测,并用预测值和虚拟 控制函数来补偿系统的控制输入,抵消了蛇形机器人在轨迹跟踪过程中的侧滑角,避免了干扰变量对机器人带来的负面影响, 提高了轨迹跟踪的误差稳定性与控制精度。 在建立蛇形机器人模型后,利用积分形式的侧滑角补偿项改进了视线法,并设计了 蛇形机器人的自适应轨迹跟踪控制器。 使机器人的位置误差在 10 s 内实现收敛,角度误差小于 0. 03 rad,预测值误差在 5 s 内 收敛。 通过仿真实验,验证了所提出的控制器的有效性和优越性。     

舰载光电跟踪设备的目标预测算法研究

舰载光电跟踪设备在跟踪百公里以上的目标时,由于受到障碍物干扰,目标有时可能从视场中丢失,需采用记忆跟踪算法对目标的未来时刻位置进行预测,重新找回目标。常规的CA、CV模型预测目标时忽略了残差,记忆跟踪时间短,从而造成预测目标不够精确。针对以上问题,提出了Kalman目标预测模型,延长记忆跟踪时间。首先,由船地坐标转换公式推导了甲板坐标系下船摇速度,前馈到伺服控制系统速度回路中,保证视轴自稳定,同时提高跟踪精度;其次,概述了CA、CV、Kalman目标预测模型;最后,重点论述了3种目标预测模型记忆跟踪和实时雷达引导二维位置信息之间的关系。试验结果表明,本文由于引入了Kalman目标预测模型,使得记忆跟踪时间比传统的CA、CV模型的预测目标时间提高了一个数量级。解决了工程中舰载光电跟踪设备受船摇影响时跟踪精度低和记忆跟踪时间短的问题。     

压电陶瓷微动台的复合控制

压电陶瓷微动台的迟滞非线性严重影响其动态定位精度,为了解决这一问题,采用一种改进的PI模型对微动台的迟滞非线性进行了建模.为了提高传统PID算法对压电陶瓷微动台的动态定位性能,将改进的PI模型与传统PID算法组合构成前馈复合控制算法,并进行了微动台的慢速与快速动态定位实验.结果表明,对同频曲线定位时,前馈PID复合算法的最大误差为传统PID算法的40％左右,平均误差为传统算法的20％～30％左右;对多频曲线定位时,前馈PID复合算法的最大误差和平均误差为传统PID算法的33％左右.数据表明前馈PID复合算法的动态定位性能明显优于传统PID算法.     

考虑弹性变形的机构运动精度的仿真分析

提出了机械运动机构运动精度的一种仿真算法,为机械运动系统运动精度的设计、修正提供了解决办法,即基于机构制造误差对几何模型进行修正,基下载荷对弹性变形引起的位移进行修正,综合这两方面因素,对机构运动轨迹做出尽可能精准的预测。最后通过实例计算,对方法进行了检验,具有一定的应用价值。     

一种并联机器人误差综合补偿方法

针对并联机器人轨迹规划和轨迹跟踪过程中,同时存在机构误差引起的期望轨迹与理想轨迹之间的偏差和非线性摩擦、负载变化等扰动因素引起的动态误差,提出一种并联机器人误差综合补偿方法:在轨迹规划过程中,基于并联机器人位姿误差模型将位姿误差补偿转化为驱动杆参数组合优化问题,进而利用粒子群算法寻优驱动杆参数,修正并联机器人期望轨迹;在轨迹跟踪过程中,设计基于自适应迭代学习控制算法的动态误差补偿策略,实现对期望轨迹的有效跟踪。在Stewart平台下基于ADAMS和Matlab进行仿真试验,在轨迹规划和轨迹跟踪过程中,分别修正期望轨迹偏差并补偿轨迹跟踪动态误差,实现并联机器人误差综合补偿。进一步,基于混联机床进行工件加工试验,验证方法对于提高并联机器人工作精度的有效性。