XiaoMi-AI文件搜索系统
World File Search System硬件在环
车辆跟驰算法的建模与分析对燃油经济性的改善
通讯作者：Ozgenur Kavas-Torris（电子邮件：kavastorris.1@osu.edu）摘要地面车辆的连通性使车辆能够彼此共享关键车辆数据，例如车辆加速度。另一方面，使用摄像头、雷达和激光雷达等传感器，可以检测到领头车辆和主车辆之间的车内距离以及相对速度。协作自适应巡航控制 (CACC) 以地面车辆连通性和传感器信息为基础，形成具有自动跟车功能的车队。CACC 还可用于提高车队中车辆的燃油经济性和移动性能。本文介绍了 3 种用于提高 CAV 燃油经济性的跟车算法。设计了一种自适应巡航控制 (ACC) 算法作为比较的基准模型。设计了一种协作自适应巡航控制 (CACC)，它使用通过 V2V 接收到的领头车辆加速度进行跟车。开发了一种生态合作式自适应巡航控制 (Eco-CACC) 模型，将前车的不稳定加速度视为需要减弱的干扰。设计了一种高级 (HL) 控制器，用于在前车驾驶员不稳定时进行决策。运行模型在环 (MIL) 和硬件在环 (HIL) 仿真，以测试这些跟车算法的燃油经济性性能。结果表明，当前车不稳定时，HL 控制器能够通过使用 CACC 和 Eco-CACC 获得平滑的速度曲线，并且比 ACC 控制器消耗更少的燃料。关键词：跟车；自适应巡航控制 (ACC)；合作式自适应巡航控制 (CACC)；生态合作式自适应巡航控制 (Eco-CACC)；燃油经济性。
麻省理工学院开放获取文章
摘要 — 激光交联可提供高数据速率通信和精确时间传输与测距，使用小尺寸、重量和功率 (SWaP) 终端来实现小型卫星星座。立方体卫星激光红外交联 (CLICK) 任务将演示能够进行全双工、高数据速率交联并实现低地球轨道 (LEO) 上 3U 立方体卫星高精度测距的终端。初始风险降低任务 CLICK-A 将演示至少 10 Mbps 的下行链路到 28 厘米孔径光学地面站。CLICK-B 和 CLICK-C 将随后演示激光交联，数据速率至少为 20 Mbps，间隔距离从 25 公里到 580 公里。CLICK-B/C 任务还将演示优于 50 厘米的高精度测距。实现这些能力的关键是发射机和精细指向、捕获和跟踪 (PAT) 系统的性能。我们介绍了最近对发射器和 PAT 子系统的测试和特性分析结果。发射器的测试包括确认种子激光器和半导体光放大器 (SOA) 的输出功率和调制，以及表征输出脉冲形状。对于 PAT 系统，测试重点是表征用于闭环精细 PAT 序列的象限光电二极管的噪声。该测试是使用专用的硬件在环测试台和光学测试装置进行的。CLICK-A 预计将于 2022 年 5 月之前发射，并于 2022 年 6 月从国际空间站 (ISS) 部署，而 CLICK-B/C 预计将于 2022 年底发射。索引术语 — 激光、光学、交联、卫星间、立方体卫星、通信
混合光伏电池系统的运行......
摘要：本文介绍了一种混合光伏-电池储能系统的研究，该系统作为向日前市场提交公共调度单元的平衡组成员，宣布其每小时生产水平。本文还讨论了光伏系统发电和储能响应的变化。主要研究问题是从技术和经济角度来看，混合光伏-电池储能系统的运行是否可行，以及如何为此目的确定电池储能的规模。使用 DIgSILENT PowerFactory 环境开发了假设的混合系统的仿真模型。然后，在波兰格但斯克理工大学 LINTEˆ2 实验室安装的真实设备上进行了测试。首先，使用硬件在环技术对光伏系统中的发电进行建模，并与模拟光伏和真实电池储能系统（锂离子电池，25 kWh）一起进行测试。其次，应用了真实的光伏电站（33 kW）和真实的电池储能。实验室实验的结果表明，混合光伏电池储能系统的市场运作是可行的。然而，制定控制策略是一项巨大的挑战，因为操作员被迫比模拟模型指示的更频繁地进行干预，以将电池存储的参数保持在可接受的范围内，尤其是在突然出现天气故障的情况下。光伏电池储能系统的平准化电力成本从 314 美元/兆瓦时到 455 美元/兆瓦时不等，事实证明，这比波兰目前年平均日前市场价格高出两到三倍。
障碍物和阵风环境下节能无人机飞行控制方法
摘要：本文介绍了一种节能的无人机（固定翼无人机）控制方法，该方法由三组算法组成：飞行器航线规划、飞行中控制和修正预定飞行轨迹的算法。所有算法都应考虑无人机必须避开的障碍物和无人机作业区域中的风力。基于无人机数学模型、稳定和导航算法以及 Dryden 湍流模型进行了测试，并考虑了无人机推进系统的参数。本文详细描述了如何构建用于规划无人机任务的连接网络。提出了一种确定行动领域中不同点之间实际距离的算法，该算法考虑了障碍物的存在。该算法应基于在六边形网格上确定飞行轨迹的方法。它介绍了基于一组混合整数线性问题 (MILP) 优化算法模型开发的专有无人机路径规划算法。它介绍了无人机控制器如何使用预先准备的飞行路径来监督沿预设路径飞行。它详细介绍了当代无人机的架构，这些架构具有实现自主任务的嵌入式能力，这需要将无人机系统集成到文章中提出的路线规划算法中。特别关注了在有阵风的情况下无人机任务的规划和实施方法，这有助于确定无人机飞行路线以最大限度地降低飞行器的能耗。所开发的模型在基于 ARM 处理器的计算机架构中使用硬件在环 (HIL) 技术进行测试，该技术通常用于控制无人驾驶车辆。所提出的解决方案使用两台计算机：基于实时操作系统 (RTOS) 的 FCC（飞行控制计算机）和基于 Linux 并与机器人操作系统 (ROS) 集成的 MC（任务计算机）。这项工作的一项新贡献是整合了规划和监控方法，以实施旨在最大限度地降低车辆能耗的任务，同时考虑到风力条件。
使用 Matlab/Simulink 和飞行模拟器进行飞行控制联合仿真的教程和评论
摘要：在真实的三维虚拟环境中进行飞行测试越来越多地被认为是一种安全且经济高效的评估飞机模型及其控制系统的方法。本文首先回顾并比较了迄今为止最流行的个人计算机飞行模拟器，这些模拟器已成功与 MathWorks 软件对接。这种联合仿真方法可以将 Matlab 工具箱的功能优势（包括导航、控制和传感器建模）与专用飞行仿真软件的高级仿真和场景渲染功能相结合。然后可以使用此方法验证飞机模型、控制算法、飞行处理特性，或根据飞行数据执行模型识别。然而，缺乏足够详细的分步飞行联合仿真教程，而且很少有人尝试同时评估多种飞行联合仿真方法。因此，我们使用 Simulink 和三种不同的飞行模拟器（Xplane、FlightGear 和 Alphalink 的虚拟飞行测试环境 (VFTE)）演示了我们自己的分步联合仿真实现。所有这三种联合仿真都采用实时用户数据报协议 (UDP) 进行数据通信，每种方法都有各自的优势，具体取决于飞机类型。对于 Cessna-172 通用航空飞机，Simulink 与 Xplane 的联合仿真演示了成功的虚拟飞行测试，可以精确地同时跟踪高度和速度参考变化，同时在任意风况下保持侧倾稳定性，这对单螺旋桨 Cessna 来说是一个挑战。对于中等续航能力的 Rascal-110 无人机 (UAV)，Simulink 使用 MAVlink 协议与 FlightGear 和 QGroundControl 连接，从而能够在地图上精确跟踪无人机的横向路径，并且此设置用于评估基于 Matlab 的六自由度无人机模型的有效性。对于较小的 ZOHD Nano Talon 微型飞行器 (MAV)，Simulink 与专为此 MAV 设计的 VFTE 连接，并与 QGroundControl 连接，以使用软件在环 (SIL) 仿真测试先进的基于 H-infinity 观察器的自动驾驶仪，从而在有风条件下实现稳健的低空飞行。然后，最终使用控制器局域网 (CAN) 数据总线和带有模拟传感器模型的 Pixhawk-4 迷你自动驾驶仪将其扩展到 Nano Talon MAV 上的硬件在环 (HIL) 实现。
微处理器和微系统
随着网络物理系统（CPS）的越来越连接的性质，新的攻击矢量以前在设计过程中未考虑。特别是，自动驾驶汽车是最有风险的CPS应用程序之一，包括大量旧软件，未经信任的第三方应用程序和远程通信接口等挑战。随着零日漏洞的不断发现，攻击者可以利用这种漏洞注入恶意代码，甚至利用现有的合法代码来接管CPS的网络部分。由于CP的紧密耦合性质，这可能导致以不良或毁灭性的方式改变身体行为。因此，反应强化系统不再有效，但是必须采取更积极的方法。移动目标防御（MTD）技术，例如指令集随机化（ISR）和地址空间随机 - ization（ASR），已证明对代码注入和代码重复使用攻击有效。但是，这些MTD技术可能导致控制系统崩溃，这在CPS应用中是无法接受的，因为这种崩溃可能会导致灾难性后果。因此，对于控制网络攻击时，通过控制重新构造以维持系统的可用性，MTD技术至关重要。本文通过集成移动目标防御技术，检测和恢复机制来确保安全，可靠和可预测的系统操作，解决了在攻击中维护CPS的系统和安全性的问题。特别是，我们考虑了对代码注入以及代码重复使用攻击的问题，并重新进行了足够快的速度，以确保维持自动驾驶汽车控制器的安全性和稳定性。通过使用MTD，例如ISR和ASR，我们的方法提供了防止攻击者获得执行代码注入和代码重复使用攻击所需的侦察知识的优势，确保攻击者无法在第一个地方找到脆弱性。我们的系统实现包括利用AES 256 ISR和核糖粒的运行时MTD的组合，以及利用攻击检测和重新配置功能的控制管理。我们利用自动驾驶汽车案例研究中开发的安全体系结构，利用定制的开发硬件在环测试台上。
建立海浪能量转换模型以增加能量吸收
地球也被称为蓝色星球，因为其表面 70% 以上被水覆盖，主要是海洋和海域。风吹过海洋形成水波，水波可以传播数千公里，而能量损失很小。尽管绿色能源市场潜力巨大，但波浪能尚未像风能和太阳能那样得到充分开发。人们曾多次尝试将波浪能转化为电能。瑞典乌普萨拉大学开发的波浪能转换器属于点吸收器类型。其主要思想在于利用一种新型线性发电机。转换器是水下线性发电机内部的运动部件，它与浮标相连，浮标漂浮在水面上。浮标随波浪移动，转换器相对于定子上下移动。这种往复运动在定子绕组中产生电压。波浪能转换器的最新发展阶段存在各种问题。仍然存在的挑战使该技术无法实现商业能源生产。波浪能研究的主要目标之一是提高单个设备以及多个波浪能转换器组成的波浪能发电场的吸收功率。可以通过不同的方式增加功率，例如通过优化浮标、发电机或通过控制设备的运行。本论文重点研究不同波浪气候下的波浪能转换器的功率吸收。影响吸收功率的主要标准是浮标尺寸、系统重量、阻尼力和感兴趣位置的可用波浪能潜力。阻尼力可以通过不同的方法计算：恒定最佳阻尼、电阻负载（复制定子绕组中电流的被动控制）和 RC 负载（模拟具有主动整流的电网连接线性发电机，例如相角补偿）。波浪具有随机性。因此，线性发电机的电网连接需要特殊的解决方案。直接驱动线性发电机转换的波浪能的功率波动可能会影响现有电网的整合。为了研究单个波浪能转换器以及三台和十台设备的波浪场的连接，进行了电力硬件在环实验。进行了电能质量分析。波浪能具有很高的潜力，可以将其整合到现有的风能和太阳能生产中，以实现完全可再生的微电网。然而，一年中至少有一个安静的夜晚，没有风也没有波浪。对吸收功率发生频率的估计可以深入了解此类事件的规律性。介绍了丹麦 Hvide Sande 的一个案例研究。可再生能源（风能、太阳能和波浪能）的混合是有益的，因为它可以提供更稳定的能源供应，发电量的变化比单独使用时更小。根据 30 年的历史数据，可以得出结论，可再生能源组合所需的电池尺寸已充分减小。风能、太阳能和波浪能的组合已被证明可以确保发电量零发生频率最低，因此是未来最有利的选择。
下一代 NASA 危险探测系统开发
I. 简介 用于精确和安全着陆的制导、导航和控制 (GN&C) 技术对于未来机器人科学和载人探索太阳系各个目的地的任务至关重要。这些进入、下降和着陆 (EDL) 技术是美国宇航局精确着陆和危险规避 (PL&HA) 领域的一部分，被认为是空间技术发展路线图 [1] 的高优先级能力，旨在促进和实现新的任务概念。SPLICE 项目，即安全精确着陆 - 综合能力演进 [2]，致力于持续开发传感器、算法和航空电子设备，以用于未来的月球着陆任务。具体来说，SPLICE 正在完善着陆器下降过程中的地形相对导航 (TRN) 和危险检测与规避 (HDA) 的传感器硬件和软件的技术就绪水平 (TRL)。 SPLICE 的所有工作主要基于 NASA 先前在 PL&HA 领域的项目，例如 ALHAT [ 3 – 6 ]、COBALT [ 7 – 10 ] 和 LVS [ 11 ]，其中包括多年的传感器开发工作 [12–15] 和各种亚轨道飞行测试。SPLICE 是一套用于精确着陆的 GN&C 技术。表 1 中列出的各个组件可以单独飞行，也可以作为着陆器承载的集成有效载荷飞行。NASA 兰利研究中心开发的导航多普勒激光雷达 (NDL) 提供厘米级的精确速度和测距。NASA 戈达德太空飞行中心开发的危险探测激光雷达 (HDL) 可生成预定着陆目标周围区域的高分辨率数字高程图 (DEM)。 TRN 系统包括摄像头、机载地图和 TRN 算法，这些算法由查尔斯·斯塔克·德雷珀实验室公司为 SPLICE 项目开发和实施 [16]。NASA 喷气推进实验室开发的危险检测算法基于参考文献 [17] 中概述的 ALHAT 算法，并进行了一些修改，以便与新型高清激光雷达 DEM 配合使用并在新型下降和着陆计算机 (DLC) 上运行。约翰逊航天中心开发的 DLC 是一种新型航空电子设备设计，正在开发中，以利用高性能航天计算 (HPSC) 处理器 [18, 19]。随着用于 TRN 和 HDA 的 GN&C 硬件和软件的不断成熟，该项目还在开发高精度模拟环境，包括带有 DLC 的硬件在环 (HWIL) 测试平台和一些在环传感器模拟器。此外，SPLICE 正在对机器人和载人任务的 EDL 架构进行详细建模 [ 20 , 21 ]，以确定未来需求，揭示现有技术差距，并推动传感器技术发展，使即将到来的任务受益，例如 NASA 的 Artemis 和商业着陆器有效载荷服务 (CLPS) 计划。图 1 是主机飞行器上 SPLICE 有效载荷的高级示意图。TRN 和 HDA 的图像处理需要大量计算，因此 DLC 的设计旨在通过处理大部分视觉导航算法来减轻主飞行计算机的负担。在 DLC 上运行的飞行软件利用 NASA 核心飞行
NPL 报告 MS 29 传感器建模框架...
1 简介 传感器建模是自动驾驶汽车仿真的重要组成部分。传感器模型的作用是模拟从环境中捕获信息并将其提供给后续处理步骤的过程。自动驾驶汽车环境下的传感器模型已经为摄像头 [1]、激光雷达 [2]、雷达 [3]、声纳 [4] 和其他类型的传感器开发，对每种特定传感器类型的建模本身就是一个深入研究的领域。虽然已经开发了许多传感器模型，但在标准化传感器建模过程方面尚未做出重大努力，这项工作是朝着这个方向迈出的一步。本文件描述了创建传感器模型的通用框架，该框架适用于上述所有类型的传感器。通过这种类型的标准化，我们希望最终实现一个明智的传感器模型开发过程，同时严格覆盖 ODD、安全标准以及不确定性量化和报告。本文档的结构如下。第 2 节阐述了传感器模型的概念，并概述了一些常见的传感器模型类型。第 3 节随后描述了创建传感器模型的总体工作流程。这将是首次尝试标准化自动驾驶汽车中不同传感器的建模过程，并有望成为虚拟测试更高标准化的基石。我们在不同类型的传感器模型的背景下说明了每个步骤。2 传感器模型 在自动驾驶汽车领域，物理测试是一个繁琐且昂贵的过程，无法针对车辆可能遇到的每一种情况进行测试，因此虚拟测试变得非常重要。为了执行虚拟测试，可以考虑多种测试架构，包括车辆在环 (MIL)、软件在环 (SIL) 和硬件在环 (HIL)，有关更多详细信息，请参阅 [1]。ISO 26262 [2] 提供了一些关于在验证和确认活动中使用模拟的指导，并基于 V 模型。执行所有这些虚拟测试的核心是存在一个可靠的传感器模型，该模型包括严格覆盖操作设计领域以及正确理解和报告准确性和不确定性。传感器模型是一种数学构造，旨在模仿现实世界中传感器的工作原理。传感器模型用于许多应用，包括自动驾驶汽车和医疗保健 [3]、[4]。传感器模型还充当运行系统（自动驾驶汽车算法等）与虚拟环境之间的纽带，这对于态势感知非常重要。模型是一种函数，它接收一组输入并以数学方式生成一组输出，明确这些输入和输出是什么非常重要。此应用的传感器模型的输入由两部分组成：场景和环境条件（例如雨）。为了使模型易于计算，输入和输出都需要离散化。例如，对于相机模型，输入场景和输出很可能是一个像素化网格，其中每个像素捕获其边界内的入射光的平均强度。环境条件需要通过一些有限维特征向量进行总结 [5]。另一方面，对于 LiDAR、RaDAR 和 Sonar，虽然需要以类似的方式捕捉环境条件，但输入场景很可能是占用网格（AV 环境的空间地图）[6]，输出将是传感器记录的强度和范围测量值。在这种情况下，逆传感器模型也很有趣，它根据 LiDAR、RaDAR 或 Sonar 测量值求解占用网格 [7]。前向传感器模型 [6] 给出了当第个单元的状态为时观察到读数 z k 的条件概率，即