3D场景立体画面绘制的视觉感知驱动光照复用方法EI北大核心CSCD

针对用蒙特卡罗路径跟踪绘制3D场景立体画面的计算开销巨大,而3D warping根据左眼画面生成右眼画面,但无法正确地呈现镜面反射现象,且存在空洞的问题,提出3D场景立体画面绘制的视觉感知驱动光照复用方法.首先,逐像素地跟踪少量路径实现预绘制,通过获取左右眼画面的可视场景点表、显著性图和背景掩膜等辅助信息,完成左眼画面绘制;然后分别进行背景复用和3D warping复用,避免右眼画面部分像素的路径跟踪计算;最后,根据显著性图分配镜面反射区域及剩余空洞区域的路径样本数,在低采样水平下完成右眼画面绘制.在PBRT-V3通用测试场景下的实验表明,该方法能够准确地呈现镜面反射现象,提高绘制结果的视觉感知质量,与基于3Dwarping和路径跟踪的方法相比,其平均PSNR,SSIM和VSNR分别提高5.68%~22.62%,6.38%~19.36%和4.25%~34.53%.     

基于水下连续波体制的捕获跟踪技术研究

针对水下高速潜器回收导引过程中实现实时测量位置与传输指控信息的问题,该文提出基于水下连续波体制的捕获跟踪技术。利用连续波体制实现测距与通信的同步解析,通过并行处理结构压缩数据捕获时长,并基于锁相环原理设计出适应水声环境与高速背景的最佳环路跟踪策略。从理论仿真与松花湖试验结果来看,算法的捕获时间从传统匹配算法的83.87 s缩短至0.66 s,计算量缩小为时域算法的2.36%。信号跟踪技术在匀速模型和加速度模型下都具有良好的性能,从通信角度讲跟踪算法能够准确无误地传输数据,从参数估计角度讲,基于跟踪结果输出的参数估计精度高且随速度变化缓慢,但传统检测精度随速度增大而变差。该方法实现了对多普勒频偏的精确估计与动态调整,保证了声学测量与指控信息传输的连续性与稳定性,对水下高速潜器的实时回收导引具有重要意义。     

非零和微分博弈系统的事件触发最优跟踪控制（英文）

近年来,对于具有未知动态的非零和微分博弈系统的跟踪问题,已经得到了讨论,然而这些方法是时间触发的,在传输带宽和计算资源有限的环境下并不适用.针对具有未知动态的连续时间非线性非零和微分博弈系统,本文提出了一种基于积分强化学习的事件触发自适应动态规划方法.该策略受梯度下降法和经验重放技术的启发,利用历史和当前数据更新神经网络权值.该方法提高了神经网络权值的收敛速度,消除了一般文献设计中常用的初始容许控制假设.同时,该算法提出了一种易于在线检查的持续激励条件(通常称为PE),避免了传统的不容易检查的持续激励条件.基于李亚普诺夫理论,证明了跟踪误差和评价神经网络估计误差的一致最终有界性.最后,通过一个数值仿真实例验证了该方法的可行性.     

采用固定时间观测器的翼伞控制方法与应用

针对翼伞–火箭一子级柔性结构系统的控制难题,提出了一种采用固定时间观测器的改进矢量场轨迹跟踪控制方法.首先,设计了在线风场估计方法对未知风场进行了估计;其次,为了保证该控制系统在气动参数不确定、子系统铰连耦合等因素影响下的快速稳定性,提出了一种固定时间干扰观测器用来估计无需知道干扰上边界的复合干扰,并用于补偿控制系统的输入;然后,设计了一个同时保证侧偏距、偏航角以及偏航角速率稳定的横侧向控制器,并利用Lyapunov理论证明了闭环翼伞控制系统的收敛特性.最后,通过数值仿真及硬件在环实验验证了所提出方法的有效性及应用价值.     

具有非匹配扰动的非线性变参数系统模型参考跟踪控制

本文研究了一类含有非匹配扰动的非线性变参数系统的跟踪控制问题.首先,设计非线性扰动观测器用于估计系统所受到的未知扰动.其次,在前馈–反馈跟踪控制器中引入扰动补偿控制项,提出一种基于扰动观测器的跟踪控制策略.利用依赖于状态和时变参数的线性矩阵不等式,导出保证闭环系统输入–状态稳定的充分条件,进而运用平方和凸优化技术解析地构造出扰动观测器和跟踪控制器.通过理论证明,所设计的控制策略能够实现非线性变参数系统输出对参考模型输出的跟踪,消除输出通道中非匹配扰动的影响.最后,由数值仿真例子验证了所提方法的有效性.     

四旋翼无人机姿态系统复合连续快速非奇异终端滑模控制EI北大核心CSCD

本文针对受多源干扰影响的四旋翼无人机姿态系统,基于复合连续快速非奇异终端滑模算法,研究了姿态指令变化率未知情况下的连续有限时间姿态跟踪控制问题.首先,基于四旋翼无人机姿态回路动力学模型,通过引入虚拟控制量实现姿态跟踪误差动态的三通道解耦;其次,分别针对各通道跟踪误差动态设计高阶滑模观测器,实现跟踪误差变化率和集总干扰的有限时间估计;最后,结合姿态跟踪误差变化率的估计信息,构建动态快速非奇异终端滑模面,并在控制设计中用指数幂函数代替符号函数以保证控制量连续.并且基于Lyapunov分析方法给出了姿态跟踪误差有限时间收敛的严格证明,仿真结果验证了所提方法的有效性.     

农用拖拉机的自适应二阶滑模路径跟踪控制

针对农用拖拉机在未知扰动影响下的路径跟踪控制问题,本文提出了基于自适应二阶滑模和扰动观测技术的路径跟踪控制策略.首先,建立含有未知扰动项的路径跟踪偏差模型,通过利用自适应控制和改进的加幂积分技术,构造自适应二阶滑模路径跟踪控制方法,该控制方法削弱了滑模控制中存在的抖振影响.其次,为了解决大扰动下控制增益调整过度的问题,通过将鲁棒精确微分器和自适应二阶滑模控制结合,构造复合的路径跟踪控制方法.严格的Lyapunov分析表明横向偏差和航向偏差均在有限时间内稳定到原点.最后,仿真结果验证了本文设计的制导方法能够保证农用拖拉机快速且稳定地跟踪上任意弯曲的参考路径.     

具有加性和乘性噪声的线性离散时间随机系统的无模型最优跟踪控制

本文研究一类同时受加性和乘性噪声影响的离散时间随机系统的最优跟踪控制问题.通过构造由原始系统和参考轨迹组成的增广系统,将随机线性二次跟踪控制(SLQT)的成本函数转化为与增广状态相关的二次型函数,由此推导出用于求解SLQT的贝尔曼方程和增广随机代数黎卡提方程(SARE),而后进一步针对系统和参考轨迹动力学信息完全未知的情形,提出一种Q-学习算法来在线求解增广SARE,证明了该算法的收敛性,并采用批处理最小二乘法(BLS)解决该在线无模型控制算法的实现问题.通过对单相电压源UPS逆变器的仿真,验证了所提出控制方案的有效性.     

基于VMD-DenseNet的短期电力负荷预测

针对电力负荷较为复杂的变化特性,以及现有预测算法未能充分利用数据中的特征、存在精度不足的问题,提出一种基于VMD-DenseNet的组合预测模型。通过VMD将原始负荷序列分解为趋势分量、细节分量和随机分量,并采用最大信息系数为各分量选取相关性较大的特征变量。引入一维DenseNet神经网络模型预测各分量负荷,通过密集连接实现特征重用,加强对各分量特征的提取。以欧洲某电网的负荷数据集为算例,分别在提前1 h和提前6 h两种不同的预测时间尺度下进行实验,结果表明提出的模型都能够更好地提取数据中的潜在特征,相较于其他模型具有更高的预测精度。     

基于单网络评判学习的非线性系统鲁棒跟踪控制

针对一类具有不确定性的连续时间非线性系统,提出一种基于单网络评判学习的鲁棒跟踪控制方法.首先建立由跟踪误差与参考轨迹构成的增广系统,将鲁棒跟踪控制问题转换为镇定设计问题.通过采用带有折扣因子和特殊效用项的代价函数,将鲁棒镇定问题转换为最优控制问题.然后,通过构建评判神经网络对最优代价函数进行估计,进而得到最优跟踪控制算法.为了放松该算法的初始容许控制条件,在评判神经网络权值更新律中增加一个额外项.利用Lyapunov方法证明闭环系统的稳定性及鲁棒跟踪性能.最后,通过仿真结果验证该方法的有效性和适用性.