基于CMAC的无人机紧密编队飞行控制研究

针对多无人机紧密编队飞行控制系统,提出一种基于小脑模型神经网络的编队飞行队形保持控制器。该控制器以飞行控制系统横向、纵向及垂直方向通道的动态误差作为小脑模型关节控制器（CMAC）的激励信号,并与常规的PID控制器相结合构成系统的复合控制。仿真结果表明：该控制器能够控制无人机编队,在定常运动和机动过程中都可以保持期望队形,且这种控制方法具有超调量较小,鲁棒性强,响应速度快,抗干扰能力强等优点。     

基于特征结构配置和直接自适应的侧向飞行控制律设计

将特征结构配置与直接自适应理论相结合对飞机侧向飞行控制律进行设计.首先介绍了特征结构配置的原理和反馈增益矩阵的算法实现,在此基础上结合直接自适应方法对闭环系统进行鲁棒控制器设计.该控制策略以特征结构配置作为内环控制器,自适应控制器作为外环控制器,使系统获得较好的动态性能和较强的鲁棒性.某飞机的侧向飞行控制律设计仿真结果表明系统获得了良好的动态性能,并且有效抑制了内部参数摄动对系统的不良影响.     

轮腿式机器人倾覆稳定性分析与控制

对于运动在不平坦地形中的移动机器人而言,其倾覆稳定性非常关键．设计了一种结构对称的轮腿式机器人,它有4个独立的轮腿运动单元,能够变化多种构形．采用动态能量稳定锥方法和倾覆稳定性指数对机器人的稳定性进行综合评价,建立了一个模糊神经网络自适应控制系统．根据稳定性指数值,该系统可以实时改变机器人的构形和速度,保证其倾覆稳定性．正弦路面上的仿真结果表明,该系统所产生的动作实时性好、可靠性高,能够降低机器人自主越障过程中的危险．     

基于多环QFT的高超声速飞行器鲁棒控制

阐述了定量反馈理论(QFT)的基本原理和设计方法,针对超燃冲压发动机不同工作状态时高超声速飞行器不确定性模型,应用多环QFT设计了高超声速飞行器纵向飞行控制系统;仿真结果表明,运用QFT方法设计的控制系统不仅具有良好的跟踪性能和抗干扰性能,而且能够很好地解决飞行控制系统由于模型参数具有不确定性而造成的控制系统鲁棒性设计问题,并从工程应用角度为高超飞行器纵向飞行控制系统提供了一种鲁棒控制设计方案。     

基于C-V2X的车路协同自动驾驶关键技术与应用

随着车联网技术的演进,自动驾驶在单车智能的基础上,又有了新的发展形态——车路协同自动驾驶。通过“人-车-路-云”深度融合形成的一体化复杂信息物理系统（cyber physical system,CPS）,可以与自动驾驶车辆实现协同感知、协同决策规划甚至协同控制,提升自动驾驶安全性,帮助克服各类复杂交通环境。首先介绍了车路协同的复杂信息物理系统的概念内涵和总体架构,并提出了车路协同自动驾驶的一系列典型应用场景、技术原理、C-V2X(cellular vehicle-to-everything)性能要求、车路协同系统功能与性能要求,可以为下一阶段智能网联汽车与智能交通的深度融合发展提供参考和解决思路。     

嵌入路网图模型的自动驾驶场景描述语言

深度学习的快速发展带动着自动驾驶技术的迅速进步.深度学习感知模型在识别准确率逐步提升的同时,也存在鲁棒性和可靠性不足等隐患,需要在大量场景下进行充分测试以确保达到可接受的安全标准.基于场景的仿真测试是自动驾驶技术的核心和关键,如何描述和生成多样化仿真测试场景是需要解决的关键问题之一.场景描述语言能够描述自动驾驶场景并在虚拟环境中实例化场景获取仿真数据,但现有的场景描述语言大都缺少对于场景道路结构的高层抽象和描述.提出路网属性图来表示路网中抽象出的实体及他们的关系,并设计能简洁描述场景路网结构的语言SceneRoad. SceneRoad可以基于描述的场景道路结构特征构建路网特征查询图.这样,在路网中搜索符合描述的场景道路特征的问题被抽象为路网图上的子图匹配问题,该问题可用VF2算法求解.进一步地,将SceneRoad作为扩展集成到Scenic场景描述语言中.使用拓展后的语言随机生成大量多样的静态场景并构建仿真数据集.仿真数据集的统计信息表明生成的场景具有丰富的场景多样性.不同感知模型在真实和仿真数据集上的训练测试结果表明,模型在两个数据集上的表现呈正相关,意味着模型在仿真数据集上的评估...     

基于层次分析的电传飞控系统健康状态评估

针对电传飞控系统组成复杂、健康状态无法进行准确定量评估的难题,采用层次分析方法,创新性地建立了一种针对复杂系统健康状态定量评估的方法与实践流程。首先提出了系统健康状态无量纲指标健康指数的定义,根据系统内外场使用场景和特点,结合用户习惯定义了系统健康状态的划分等级,然后根据组成设备失效特性,建立了系统特征参数健康指数定量评估的通用算法库。结合系统特点和FMEA,自上而下地将系统划分为不同层次,结合各个层次的评估结果和系统权重分析,自下而上地对整个系统的健康状态进行了精细化定量评估,突破了以往依靠系统BIT测试结果对系统非“0”即“1”的健康状态定性评估。通过型号实践,验证了该方法的有效性、准确性,可满足实际工程应用。     

基于动态门控特征融合的轻量深度补全算法

稠密深度图在自动驾驶和机器人等领域至关重要,但是现今的深度传感器只能产生稀疏的深度测量,所以有必要对其进行补全.在所有辅助模态中, RGB图像是常用且易得的信息.现今的许多方法都采用RGB和稀疏深度信息结合进行补全.然而它们绝大部分都是利用通道拼接或逐元素求和简单的对两种模态的信息进行融合,没有考虑到不用场景下不同模态特征的置信度.提出一种以输入深度稀疏分布为指导,结合双模态信息量的动态门控融合模块,通过动态产生融合权重的方式对两个模态特征进行更高效的结合.并且根据不同模态的数据特征设计了精简的网络结构.实验结果表明所提出模块和改进的有效性,提出的网络在两个有挑战性的公开数据集KITTI depth completion和NYU depth v2上,使用了很少的参数量达到了先进的结果,取得了性能和速度的优秀平衡.     

Adaptive fault-tolerant control for a class of flexible air-breathing hypersonic vehicles

In this paper, a novel adaptive fault-tolerant control (FTC) scheme is proposed for a class of flexible air-breathing hypersonic vehicles with unknown inertial and aerodynamic parameters and even input constraints. The fault model under consideration covers the case that all actuators suffer from unknown time-varying faults. In the controller design and stability analysis, we introduce new Lyapunov functions, some differentiable auxiliary functions, a bound estimation approach, and a Nussbaum function, which help us successfully circumvent the obstacle caused by the faults, input constraints, and flexible modes. In addition to higher reliability, the proposed scheme is able to ensure that all closed-loop signals are globally uniformly bounded and to steer the tracking errors of altitude and velocity into predefined arbitrarily small residual sets. As a result, the tracking accuracy can be designated in advance. Simulation results illustrate the effectiveness of the proposed scheme.     

基于滑动窗口的直升机序列异常检测算法

无标签的序列在异常检测算法中往往存在着对数据的信息掌握不全面、不能合理使用的情况,而采用深度学习的技术实现检测时往往对其计算的解释性欠佳;对于攻克这些难题,以直升机飞行数据为例对时间序列的反常检测问题展开了深入研究,并利用Iforest技术和PCA算法,给出了一个采用滑动窗口的时间序列异常检测方法,利用从滑动窗口采集信息的时间变化状态等数据信息,将序列异常检测问题转换为点异常检测问题;同时以auc评分为衡量标准,从带有时刻特殊标志的多个信息集上检验了检测效率的提高;在无标签的直升机飞行数据集上进行实验,验证了算法的有效性,并通过对比检测过程中不同特征变量的变化情况,从算法层面和现实层面上阐述了算法的可解释性。