摘要 - 本文研究DDPG算法在轨迹跟踪任务中的应用,并提出了一种与FRENET坐标系相结合的轨迹跟踪控制方法。通过将车辆的位置和速度信息从笛卡尔坐标系转换为FRENET坐标系,该方法可以更准确地描述车辆的偏差和旅行距离,相对于道路的中心线。DDPG算法采用了参与者 - 批评框架,使用深层神经网络进行策略和价值评估,并将体验重播机制和目标网络结合在一起,以提高算法的稳定性和数据利用效率。实验结果表明,基于FRENET坐标系的DDPG算法在复杂环境中的轨迹跟踪任务中表现良好,可实现高精度和稳定的路径跟踪,并证明其在自主驾驶和智能运输系统中的应用潜力。
摘要:自动驾驶汽车(AV)的路径跟踪控制性能至关重要地取决于建模选择和随后的系统识别更新。传统上,汽车工程已经建立在增加白色和灰色框模型以及系统识别的忠诚度之后。尽管这些模型具有解释性,但它们会遭受建模不准确,非线性和参数变化的困扰。在另一端,端到端的黑框方法(例如行为克隆和增强学习)提供了提高的适应性,但以解释性,可推广性和SIM2REAL间隙为代价。在这方面,诸如Koopman扩展动态模式分解(KEDMD)之类的混合数据驱动技术可以通过选择“提升功能”来实现非线性动力学的线性嵌入。但是,该方法的成功主要基于提升函数和优化参数的选择。在这项研究中,我们提出了一种分析方法,使用迭代的谎言支架向量字段来构建这些提升功能,考虑了我们Ackermann Steceer的自主移动机器人的配置歧管上的载体和非独立限制。使用标准车辆动力学操纵的轨迹跟踪以及沿闭环赛车轨道进行了轨迹跟踪,显示了所获得的线性KEDMD模型的预测和控制功能。
由于刚体动力学、气动力和控制映射项中的非线性以及欠驱动,固定翼飞机模型的控制设计可能具有挑战性。未建模动力学或参数不确定性的存在会使问题更具挑战性。本文研究固定翼飞机的纵向动力学控制,该飞机悬挂或悬挂的有效载荷就像一个附加的钟摆。此类系统出现在涉及无人机 (UAV) 收集和运送有效载荷的应用中,其中长距离飞行要求可能需要使用固定翼飞机。推导了耦合飞机有效载荷系统的动力学,并利用基于 Lyapunov 的控制设计和奇异摄动理论的工具开发了非线性控制器。控制器能够跟踪和转换预先规划或动态生成的飞行轨迹。分析与仿真结果表明,该控制器能够实现精确的飞行路径跟踪,并对载荷参数进行数值研究,以确定系统在保持飞行稳定性的前提下,实现载荷运输的能力。
摘要:这项研究使用与自适应lookahead机制集成的基于衣服的方法为自动驾驶汽车引入了先进的横向控制策略。主要的重点是通过应用Euler螺旋在平稳的曲率过渡中提高侧向稳定性和路径跟踪准确性,从而减少了乘客不适和车辆滚动风险。我们工作的创新方面是基于实时车辆动力学和道路几何形状的LookAhead距离的自适应调整,该距离可确保在不同条件下的最佳路径。准反馈控制算法在每个时间步骤构造了最佳的衣服,从而生成适当的转向输入。铅过滤器补偿了车辆的横向动力学滞后,从而提高了控制响应能力和稳定性。通过使用Trucksim®和Simulink®的全面共同模拟,拟议控制器的效果得到了验证,这表明了各种驾驶场景中横向控制性能的显着改善。未来的方向包括扩展控制器的高速应用程序,并进一步优化以最大程度地减少轨道错误,尤其是对于清晰的车辆。
摘要:集成的底盘控制系统代表了地面车辆动力学的重大进步,旨在提高整体性能,舒适性,处理和稳定性。随着车辆从内燃烧到电动平台的过渡,集成的底盘控制系统已经发展为满足电气化和自动化的需求。本文通过集成的底盘控制系统分析了自动化车辆的整体控制结构。纵向,横向系统和垂直系统的整合由于各种子系统的重叠控制区而呈现复杂性。提出的方法包括对国家技术技术的全面检查,重点是管理控制动作并防止子系统之间的干扰。结果强调了控制分配的重要性,以利用过度驱动系统提供的其他自由度。本文系统地概述了在集成的底盘控制和路径跟踪中应用的各种控制方法。这包括对感知和决策,参数估计技术,参考生成策略以及控制器层次结构的详细检查,包括高级,中级和低级控制组件。通过提供此系统概述,本文旨在促进对自动驾驶中使用集成底盘控制的多种控制方法的更深入了解,从而对其应用,优势和局限性提供见解。
通讯作者:Mahmut Dirik(mhmd.dirik@gmail.com)摘要路径计划问题是自动驾驶汽车中研究最多的主题之一。在过去的十年中,基于抽样的路径计划算法引起了研究界的重大关注。快速探索随机树(RRT)是一种基于抽样的计划方法,由于其渐近最佳性,研究人员是一个关注的问题。但是,在路径规划中使用接近障碍物的样品和急转弯的路径并不能使实时路径跟踪应用程序有效。为了克服这些局限性,本文提出了RRT和Dijkstra算法的组合。RRT-Dijkstra释放了一个较短且无碰撞的路径解决方案。它是通过各种因素来衡量的,例如路径长度,执行时间和回合总数。此处的目的是基于指标,即路径长度,执行时间和转折点总数的审查和绩效比较。在用障碍物结构的复杂环境中测试了算法。实验性能表明,RRT-Dijkstra需要在2D环境中更少的转折点和执行时间。这些是提出方法的优势。该建议的方法适用于离线路径计划和路径以下。
1。M. Rokonuzzaman,N。Mohajer,S。Nahavandi和S. Mohamed,“自动驾驶汽车的路径跟踪控制器的审查和性能评估”,IET Intelligent Transport Systems,第1卷。15,否。5,pp。646–670,2021。2。M. Schwenzer,M。Ay,T。Bergs和D. Abel,“模型预测控制的综述:工程学的观点”,《国际高级制造技术杂志》,第1卷。 117,否。 5-6,pp。 1327–1349,2021。 3。 R. Rajamani,“车辆动力学和控制”,2011年。 4。 B. Stellato,G。Banjac,P。Goulart,A。Bemporad和S. Boyd,“ OSQP:用于二次程序的操作员拆分求解器”,《数学编程计算》,第1卷。 12,否。 4,pp。 637–672,2020。M. Schwenzer,M。Ay,T。Bergs和D. Abel,“模型预测控制的综述:工程学的观点”,《国际高级制造技术杂志》,第1卷。117,否。5-6,pp。1327–1349,2021。3。R. Rajamani,“车辆动力学和控制”,2011年。4。B. Stellato,G。Banjac,P。Goulart,A。Bemporad和S. Boyd,“ OSQP:用于二次程序的操作员拆分求解器”,《数学编程计算》,第1卷。12,否。4,pp。637–672,2020。
I.引言带有障碍物检测的自动平衡线遵循机器人是一种高级自主设备,它可以整合路径跟踪,稳定性控制和避免障碍物功能。它利用红外传感器识别并遵循路径,该路径可以是白色表面上的黑线或黑色表面上的白色线,从而确保准确的导航。为了保持稳定性,机器人结合了陀螺仪和加速度计等传感器,即使在不规则的表面上也可以保持直立。以及线条跟踪和自动平衡,该机器人配备了使用超声传感器的障碍物检测机构。该传感器通过传输声波和解释返回的回声来计算机器人与任何对象之间的距离。障碍物检测功能可防止碰撞,从而使机器人更可靠和有效。但是,必须注意,由于其材料特性,超声传感器可能无法检测到某些对象,这可能不会有效地反映声波。机器人由Arduino Uno微控制器管理,该机器人控制器从红外传感器,稳定性传感器和超声波传感器中处理信息,以对运动,方向和平衡进行实时调整。这些功能使机器人非常适合诸如军事操作,交付系统,运输网络和帮助视力障碍的个人等应用。除了提到的功能外,自动平衡线跟踪机器人还包含高级控制算法,例如PID(比例构成 -
在本文中,我们扩展了数学流行病学中的经典 SIRS(易感-感染-恢复-易感)模型,加入了一个接种疫苗的区间 V,以解释不完善的疫苗,其效力会随着时间的推移而减弱。SIRSV 模型将人群分为四个区间,并引入了定期重新接种疫苗以减弱免疫力。假设疫苗的效力会随着接种疫苗后的时间推移而衰减。对人群进行定期重新接种疫苗。我们为连续接种疫苗时间开发了一个偏微分方程 (PDE) 模型,并在离散化接种期时开发了一个耦合的常微分方程 (ODE) 系统。我们分析了 ODE 模型的均衡,并研究了无病平衡 (DFE) 的线性稳定性。此外,我们探索了一个优化框架,其中疫苗接种率、重新接种疫苗时间和非药物干预 (NPI) 是控制变量,以尽量减少感染水平。优化目标是使用不同的基于规范的感染个体测量来定义的。使用路径跟踪方法对模型在不同控制参数下的动态行为进行数值分析。分析重点关注疫苗接种策略和接触限制措施的影响。分岔分析揭示了复杂的行为,包括双稳态、折叠分岔、前向和后向分岔,强调需要结合疫苗接种和接触控制策略来有效管理疾病传播。
敏捷性和可操作性是移动机器人的高度期望特征。实现此目的的一种方法是使不稳定的系统不稳定和利用高性能控制器来稳定所需的操作。可以利用一个独轮车平台来实现这种行为。本文着重于为相应的多体系统建立建模和分析框架,该系统由滚轮,车身(要平衡)以及两个用于平衡和操纵的飞轮;参见图1。提出了一种反馈设计,该设计使独轮车沿着直径的直立位置沿着直径的路径行驶。随着人类缠身的电动环境的兴起,我们设想在城市环境中使用自主无人独轮的货运。在对独轮车进行建模时,我们假设一个刚性的车轮滚动而没有在地面上滑动,也就是说,我们假设车轮的单个接触点的速度为零。这种所谓的运动学约束导致了所谓的非固有系统。可以通过Lagrangian方法引入Lagrange乘数(每个运动学结合)来模拟非单学系统,其中乘数的大小代表约束力的幅度[29,39]。但是,这会导致通常难以处理的差异代数方程。相反,在本文中,我们采用了Appellian方法[1,10],该方法消除了约束力并代表最少数量状态变量的系统。在[13,17,37]中也开发了类似的方法,[6-8,16]中讨论了不同方法之间的关系。可以在[2、3、5、9、11、18、19、22、24、25]中找到有关非独立系统的更多详细信息。已经开发了针对包括汽车[4、27、36],自行车[14、20],类似蛇的机器人[12、40]甚至游泳机器人的不同类别的移动设备,甚至是游泳机器人[26、28、34]。关于独轮车,过去已经研究了一些不同的设计[33]。例如,在[31]中,独轮车是用滚轮,车身和头顶飞轮构造的,后者代表了骑手的扭曲躯干。在[21,38]中使用了相同的设置,其中提出了线性二次调节器以平衡直立位置。在[41]中采取了另一种方法,其中考虑了横向飞轮以进行平衡。在[15,30]中使用了此配置,其中还提出了控制器进行路径跟踪。最后,在[23,32]中还做出了努力,为人类动力的独轮车的动态建模,后者的出版物还包括对人类受试者的实验。在本文中,我们第一次研究了一个自主的无人独轮车,其中包括平衡的飞轮和高架飞轮(后者从现在开始我们称为转向飞轮)。通过应用上诉方法,我们选择了描述动力学所需的最小数量状态变量数(即广义坐标和伪速度)。我们整体构建了多体系统的加速能,从主动力量计算伪反应,并得出