基于非线性制导的四旋翼轨迹跟踪控制

四旋翼是一种欠驱动、强耦合的可垂直起降的飞行器,为了实现其能够以设定速度跟踪空间轨迹,设计了一种基于非线性制导算法的轨迹跟踪控制方法。该方法分为了导引与控制两部分组成,导引部分以任务轨迹与期望速度为输入量通过非线性制导算法输出当前四旋翼的期望加速度,控制部分以得到的期望加速度为输入量采用串级PID算法对四旋翼进行姿态控制,从而实现四旋翼保持设定速度对任务轨迹的跟踪。仿真结果表明,所提方法能够实现四旋翼对复杂任务轨迹的精确跟踪,二维复杂轨迹跟踪距离偏差不超过±0.6m,速度偏差不超过2m/s;三维复杂轨迹除了受自身控制力限制的飞行段外,跟踪距离偏差基本控制在±4m以内,速度偏差不超过2m/s。     

基于终端滑模的四旋翼飞行器非线性轨迹跟踪控制

考虑到四旋翼飞行器的传统内外环控制策略依赖时标分离假设,稳定性分析复杂,并且控制参数选取困难的缺点,提出了一种与传统内外环控制策略不同的轨迹跟踪控制器;首先将四旋翼飞行器数学模型进行相应的变换,以分解为高度、偏航角和纵横向三个级联的子系统,再使用终端滑模控制方法设计高度和偏航角子系统的控制器,使两个子系统的状态误差可以在有限时间内收敛到原点,之后基于变量非线性变换设计纵横向子系统的控制器,分析了闭环系统稳定性,证明了所设计的轨迹跟踪控制器可以保证闭环系统跟踪误差渐近稳定到原点,最后仿真实验的结果验证了所设计的控制器的有效性。     

一种基于隐马尔可夫模型的目标轨迹跟踪算法

现有的定位算法只表现了目标的静态位置特征, 不能较好地在目标移动情况下跟踪获取目标的运行行为轨迹。针对这一问题, 设计了一种基于隐马尔可夫模型的目标轨迹跟踪算法。该算法根据小区覆盖范围内的地理位置信息和目标用户的移动速度, 建立隐马尔可夫模型; 然后, 基于维特比译码算法对最佳路径和最佳状态概率进行最优化求解, 实现对目标轨迹的跟踪。仿真结果表明, 该算法可以在基站小区分辨率下精确地获取目标轨迹。     

基于图像处理和轨迹预测的目标跟踪

为克服目标被短时间遮挡的跟踪问题,在基于图像信息的跟踪算法中增加轨迹约束条件,构成基于图像处理和轨迹预测的目标跟踪算法。首先分别介绍基于图像信息的目标跟踪算法和常见的轨迹预测方法,然后介绍基于图像处理和轨迹预测的目标跟踪算法。实验结果表明,基于图像处理和轨迹预测的目标跟踪算法能够有效地克服目标被遮挡时的跟踪问题。     

双向多轨迹判定方法在目标跟踪中的应用研究

针对视频跟踪中存在的目标飘移问题,提出基于双向多轨迹判定的跟踪方法。首先,在一定时间间隔中分别使用纹理、颜色,以及光照不变量特征的三种组件跟踪器,对目标进行正向跟踪。然后,以正向跟踪结果作为初始位置,进行相应反向跟踪。通过分析成对正向反向轨迹,提取几何相似性、循环量和外观相似性,并计算各跟踪器轨迹准确性分数。最后,选择准确性分数最高的跟踪器的正向跟踪轨迹作为最终的跟踪结果。实验结果表明:与几种传统跟踪方法相比,提出的双向多轨迹判定跟踪方法通过融合不同的特征信息,跟踪性能显著提升。     

基于观测器的受扰非线性系统近似最优跟踪控制

研究一类受扰非线性系统的最优输出跟踪控制问题.给出了有限时域最优输出跟踪控制律的近似设计算法.首先将求解受扰非线性系统最优跟踪控制问题转换为求解状态向量与伴随向量耦合的非线性两点边值问题,然后利用逐次逼近方法构造序列将其转化为求解两个解耦的线性微分方程序列问题.通过迭代求解伴随向量的序列,可得到由解析的线性前馈-反馈控制部分和伴随向量的极限形式的非线性补偿部分组成的最优输出跟踪控制律.利用参考输入降维观测器和扰动降维观测器,解决了前馈控制的物理可实现问题.最后仿真结果表明了该方法的有效性.     

基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应控制

针对三自由度全驱动船舶存在模型不确定和未知外部环境扰动的情况,设计出一种基于非线性增益递归滑模的船舶轨迹跟踪动态面自适应神经网络控制方法.该方法综合考虑船舶位置和速度误差之间关系设计递归滑模面,引入神经网络对船舶模型不确定部分进行逼近,设计带σ-修正泄露项的自适应律对神经网络逼近误差与外界环境扰动总和的界进行估计,并应用一种非线性增益函数构造动态面控制律,选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快、精度高,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

交通运动目标检测、跟踪及轨迹生成研究

提出一种基于视频的车辆检测,跟踪和轨迹生成算法.该算法由改进的车辆检测方法,快速跟踪算法和新的车辆轨迹生成算法3部分组成.基于区域和车辆间的相互关系,在视频序列中,车辆被视为可自主运动团块.在对该团块实现有效跟踪及获取运动轨迹的基础上,运用相关的数学手段可获得团块其它运动信息.在高速公路上的实验结果表明,该车辆检测,跟踪算法切实可行,轨迹生成技术可用于交通流检测.     

基于WebSocket和Redis的移动目标轨迹跟踪系统设计与实现

针对物联网系统中监控移动目标位置和轨迹信息的需求,设计和实现了一种基于Websocket和Redis移动目标轨迹跟踪系统.该系统主要分为三个部分:首先利用手机App客户端采集移动目标的轨迹信息,然后利用Webocket将轨迹信息传输到远程服务器进行保存,最后服务端将传送的轨迹信息保存在Redis+MySQL数据库中,并...     

一种基于指数趋近律的非线性系统变结构轨迹跟踪控制新方法

针对多输入多输出二阶不确定非线性机械系统中轨迹跟踪控制的问题,提出一种新的基于指数趋近律的滑模变结构控制方法,用于提高系统的平稳性和快速性。在滑模变结构控制器设计过程中采用一种新的指数趋近律以改进闭环系统的暂态和稳态响应性能,使系统跟踪误差收敛速度加快,特别是减少轨迹跟踪误差到达滑模面的时间,同时提高了系统轨迹跟踪过程的平稳性。通过采用边界层方法消除滑模控制输入抖振问题,避免控制过程中执行器的频繁切换,进一步提高所提出滑模控制器在实际系统中的实用性。基于李雅普诺夫稳定性理论证明了闭环系统的稳定性和跟踪误差的收敛性。数值仿真验证了所提出的控制方法的有效性。     

基于视频的多目标车辆跟踪及轨迹优化

为了获取交通视频中车辆的运动轨迹,提供道路动态交通信息,提出一种基于Yolo3目标检测和KCF目标预测相结合,关联历史轨迹预测结果和检测结果的长时间多目标车辆跟踪算法;对采用机器视觉获取的车辆轨迹非平滑现象,提出通过Savitzky-Golay滤波器对原始的车辆轨迹进行平滑优化。对比测试场景中车辆轨迹优化前后,优化后的轨迹在保留原有车辆运动特征的前提下,改善了轨迹平滑性,提供的动态交通信息更能反映车辆真实运动状况。     

Trajectory Indexing Using Movement Constraints*

With the proliferation of mobile computing, the ability to index efficiently the movements of mobile objects becomes important. Objects are typically seen as moving in two-dimensional (x, y) space, which means that their movements across time may be embedded in the three-dimensional (x, y, t) space. Further, the movements are typically represented as trajectories, sequences of connected line segments. In certain cases, movement is restricted; specifically, in this paper, we aim at exploiting that movements occur in transportation networks to reduce the dimensionality of the data. Briefly, the idea is to reduce movements to occur in one spatial dimension. As a consequence, the movement occurs in two-dimensional (x, t) space. The advantages of considering such lower-dimensional trajectories are that the overall size of the data is reduced and that lower-dimensional data is to be indexed. Since off-the-shelf database management systems typically do not offer higher-dimensional indexing, this reduction in dimensionality allows us to use existing DBMSes to store and index trajectories. Moreover, we argue that, given the right circumstances, indexing these dimensionality-reduced trajectories can be more efficient than using a three-dimensional index. A decisive factor here is the fractal dimension of the network—the lower, the more efficient is the proposed approach. This hypothesis is verified by an experimental study that incorporates trajectories stemming from real and synthetic road networks.*A short version of this paper appeared in the proceedings of the 11th ACM GIS Symposium, 2003.     

一种寻优的BP神经网络飞行轨迹实时跟踪算法

实时跟踪飞行轨迹可以有效地观测偏离预定航迹的程度,为位姿修正提供了参考。提出了一种寻优的BP神经网略实时跟踪飞机飞行轨迹,基于误差平方和最小化原则确定最优的隐层神经元个数。不同的飞行状态对应不同的位姿、速度等数据,飞行数据和飞行条件可以通过神经网络的权值和阈值来表征。通过仿真结果可以看出,设计的寻优BP神经网络具有可靠、准确及快速跟踪等优点。     

Adaptive Iterative Learning Control of Non-uniform Trajectory Tracking for Strict Feedback Nonlinear Time-varying Systems

In this paper, an iterative learning control strategy is presented for a class of nonlinear time-varying systems, the timevarying parameters are expanded into Fourier series with bounded remainder term. The backstepping design technique is used to deal with system dynamics with non-global Lipschitz nonlinearities and the approach proposed in this paper solves the non-uniform trajectory tracking problem. Based on the Lyapunov-like synthesis, the proposed method shows that all signals in the closed-loop system remain bounded over a pre-specified time interval [0, T ]. And perfect non-uniform trajectory tracking of the system output is completed. A typical series is introduced in order to deal with the unknown bound of remainder term. Finally, a simulation example shows the feasibility and effectiveness of the approach.     

基于迭代学习的农业车辆路径跟踪控制

由于农作物的播种、收获、除草和农药化肥喷洒具有周期性的特点,农业车辆在执行农田作业时具有较强的重复性. 基于迭代学习控制（Iterative learning control,ILC）方法研究农业车辆的路径跟踪问题,建立了农业车辆的两轮移动机器人运动学模型,设计了车辆路径跟踪的迭代学习控制算法,并基于压缩 映射方法理论上证明了算法的收敛性. 研究表明,迭代学习控制可有效利用农业车辆运行的重复信息,实现车辆期望路径有限区间内的高精度完全跟踪控制. 仿真示例验证了本文方法的有效性.     

模糊学习控制在SCARA机器人轨迹跟踪中的应用

模糊学习控制以模糊控制提供反馈机制为主体,辅以迭代学习控制提供前馈补偿机制,来实现对期望轨迹的完全跟踪.把模糊学习控制应用于SCARA机器人的轨迹跟踪.仿真试验表明,该方法具有简单实用、跟踪精度高、学习速度快等优点.     

非完整约束移动机器人的轨迹跟踪控制

针对非完整约束移动机器人运动学与动力学模型,根据轨迹跟踪控制目标的需要,设计了一种简单的控制器,该控制器结合了运动学控制器设和动力学控制器两部分;针对运动学模型,采用自适应算法对其未知参数进行估计,针对系统动力学模型,采用单层神经网络算法克服未知扰动对系统稳定性的影响,使速度误差尽可能地缩小;在Lyapunov稳定性理论的基础上证明了系统的收敛性和稳定性,该控制算法简单有效,易于实现;仿真结果表明:该控制策略可以实现对移动机器人期望轨迹的稳定跟踪,验证了算法的有效性。     

RBFNN结合自适应边界的机器人手臂轨迹跟踪控制系统设计

针对机器人手臂动态模型中存在动态不确定性问题,提出一种结合径向基函数神经网络(RBFNN)和自适应边界控制的机械臂轨迹跟踪方法;利用RBF神经网络在线学习系统中现有的结构化和非结构化不确定性,近似补偿未知动态部分;利用自适应边界来估计非结构化不确定性上的未知边界和神经网络重建误差;通过加权矩阵产生的李雅普诺夫函数证明了该系统具有渐进稳定性;利用三自由度机械臂进行实验,结果表明,相比FFNN控制器,提出的控制器的跟踪误差改进了3～7倍,稳态误差改进了100～1 000倍.