XiaoMi-AI文件搜索系统
World File Search SystemLQR
基于曲率以提高自动驾驶汽车的高速驾驶稳定性...
本研究提出了一种基于进料前向（预览距离控制）和反馈（LQR，线性二次调节器）控制器的路径跟踪算法，以减少标题角误差和预定义路径和自主车辆之间的横向距离误差。路径跟踪的主要目标是生成控制命令以遵循预定义的路径。通过控制车辆的转向角而导致的轨迹误差和横向距离误差来求解馈线误差和横向距离误差。使用LQR来减少由环境和外部干扰引起的误差。通过使用CARLA模拟器模拟自动驾驶汽车的驾驶环境来验证所提出的算法。使用测试工具证明了安全性和舒适性。这项研究还表明，所提出的算法的跟踪性能超过了其他路径跟踪算法的跟踪性能，例如纯Pursuit和Stanley方法。
分类控制论中的强化学习
•LQR：线性系统动力学，二次成本。分析封闭解决方案•MDP和非线性动力学，任意成本。迭代解决方案•RL：未知环境动态，成本未知。这里解决方案方法的结构是什么？[Mujoco]
空中加油中时变惯性飞机的建模和仿真
摘要 本文研究了在综合仿真环境中具有时变质量和惯性特性的受油机的动态建模与仿真应用，该环境包括另外两个重要因素，即具有变长度特性的软管-锥套组件动态模型和加油机尾涡引起的风效应。通过扩展 Lewis 等人推导的固定重量飞机的运动方程，推导出一组新的空中加油受油机运动方程。这些方程包括由于燃油转移和发动机燃油消耗引起的时变质量和惯性特性，并且油箱为矩形而非质点。它们是根据受油机相对于惯性参考系的平移和旋转位置和速度推导出来的。在初始受油机质量条件下，基于一组线性化方程设计了一个线性二次调节器 (LQR) 控制器。在集成仿真环境中实现了带有 LQR 控制器的接收机运动方程，用于在仿真中实现接收机的自主接近和定点保持。� 2016 中国航空学会。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
人工智能的进化和历史
基于LQR的CSC-STATCOM”，用于控制，测量，电子，计算和通信（ISSN：0005-1144）的Automatika – Journal，vol。56（第1号），pp。21-32，2015。[10] Sandeep Gupta，R。K。Tripathi教授； “使用GA和PSO优化的CSC中的最佳LQR控制器”，电气工程档案（AEE），波兰，（ISSN：1427-4221），第1卷。63/3，pp。469-487，2014。[11] V.P.Sharma，A。Singh，J。Sharma和A. Raj，“制造技术的依赖性设计和模拟，用于斋浦尔的LOO KWP GRID与太阳能PV系统的倾向定向”，《国际工程进步INSOROVITACTIANION INSTRAIGIAN IEEE，pp。1-7，2016。[12] V. Jain，A。Singh，V。Chauhan和A. Pandey，“使用Feed Forward Neural Network对风能预测系统的分析研究”，2016年国际电力，能源信息和通信计算计算国际会议，pp。303-306,2016。
Pelican 四旋翼飞行器的 PD 和反步控制实时设置
近年来，四旋翼飞行器控制设计研究迅速增多。四旋翼飞行器的线性控制器设计已在多项工作中实现，如线性二次调节器 (LQR) 和比例积分微分 (PID) (Khatoon 等人，2014) (Reyes-Valeria 等人，2013)。非线性控制设计也已通过不同的技术实现，如反步法 (Das 等人，2009)、滑模 (Runcharoon 和 Srichatrapimuk，2013) 和反馈线性化 (Saif，2009)。(Castillo 等人，2005) 将非线性控制算法与 LQR 控制律的性能进行了比较。结果显示，线性控制器应用于非线性系统时，响应不稳定，而非线性控制器则显示稳定响应。(Gomes 等人，2016) 使用 AR.Drone 四旋翼飞行器和 Vicon 运动捕捉系统跟踪移动目标，并使用比例微分 (PD) 控制器进行线性定位。(Mashood 等人，2016) 展示了两架 AR.Drone 使用 VICON 系统和 MATLAB/SIMULINK 进行反馈和控制实现，沿平方路径飞行的实验结果。这可以通过 AR Drone Simulink 开发套件 (ARDSDK) 实现。(Campbell 等人，2012) 展示了四旋翼飞行器自动驾驶仪的设计和实现，使无人机能够起飞、从一个位置移动到另一个位置并降落在所需位置 -
使用 PD 和反步控制对 Pelican 四旋翼飞行器进行实时设置
近年来，四旋翼飞行器控制设计研究迅速增多。四旋翼飞行器的线性控制器设计已在多项工作中实现，如线性二次调节器 (LQR) 和比例积分微分 (PID) (Khatoon 等，2014) (Reyes-Valeria 等，2013)。非线性控制设计也已通过不同的技术实现，如反步法 (Das 等，2009)、滑模 (Runcharoon 和 Srichatrapimuk，2013) 和反馈线性化 (Saif，2009)。 (Castillo 等，2005) 将非线性控制算法与 LQR 控制律的性能进行了比较。结果表明，线性控制器应用于非线性系统时响应不稳定，而非线性控制器则表现出稳定的响应。 (Gomes 等人，2016) 使用 AR.Drone 四旋翼飞行器和 Vicon 运动捕捉系统跟踪移动目标，并使用比例微分 (PD) 控制器进行线性定位。 (Mashood 等人，2016) 展示了两架 AR.Drone 沿平方路径飞行的实验结果，使用 VICON 系统和 MATLAB/SIMULINK 进行反馈和控制实现。这可以通过 AR Drone Simulink 开发套件 (ARDSDK) 实现。 (Campbell 等人，2012) 展示了四旋翼飞行器自动驾驶仪的设计和实现，使无人机能够起飞、从一个位置转移到另一个位置并降落在所需位置。
使用线性季度调节器优化用于农业的轮式移动机器人的性能
使用轮式移动机器人系统的使用对于解决农业面临的一些未来问题至关重要。但是，车轮上的机器人系统目前不稳定，需要一种控制机制来提高稳定性，从而导致许多研究要求为轮式移动机器人系统开发适当的控制器算法。比例，积分，衍生（PID）控制器目前被广泛用于此目的，但是由于参数的破坏或波动，PID方法通常是不合适的。其他控制AP PRACHES，例如线性季度调节器（LQR）控制，可用于解决与PID控制器相关的一些问题。在这项研究中，开发了四轮滑动移动机器人的运动学模型，以测试LQR控制的功能。使用轮式移动机器人的特征检查了三种情况（控制廉价的，非零州昂贵；控制昂贵的，非零州廉价；仅非零州昂贵）。基于这些方案的廉价控制时间的高峰时间，定居时间和上升时间分别为0.1 s，7.82 s和4.39 s。
使用混合深钢筋学习
摘要 - 在越野环境中旋转的未拧紧地面车辆（UGV）的准确路径跟踪面临着源于操作条件的多样性引起的挑战。用于Ackermann转导车辆的传统基于模型的控制器具有良好的（无防滑）路径跟踪的穿孔，但性能会以越来越不平坦的地形和更快的遍历速度下降。本文介绍了一种新颖的方法，一种混合深化增强学习（HDRL）控制器，利用了线性二次调节器（LQR）的优势和深钢筋学习（DRL）控制器，以增强Ackermann steceered ugvs的增强路径跟踪。DRL控制器主要弥补地形条件和未知车辆参数的不确定性，但训练在计算上可能很昂贵。LQR控制器在初始训练阶段指导DRL控制器，从而确保更稳定的性能并在早期迭代中获得更高的回报。这样做，这种混合方法提供了有望克服基于模型的控制器的局限性以及常规DRL方法的样本信息的局限性。在手稿中显示的初步结果显示了HDRL控制器的希望，表现出比无模型的DRL和常规反馈控制器更好的性能。
利用多时间汉密尔顿 - 雅各比PDES解决某些科学机器学习问题| Siam科学计算杂志|卷。 46，第2号|工业和应用数学学会
摘要。汉密尔顿 - 雅各比（Jacobi）部分微分方程（HJ PDE）与广泛的领域有着深入的联系，包括最佳控制，差异游戏和成像科学。通过考虑时间变量为较高的维数，HJ PDE可以扩展到多时间情况。在本文中，我们在机器学习中引起的特定优化问题与多时间HOPF公式之间建立了一种新颖的理论联系，该公式对应于某些多时间HJ PDES的解决方案。通过这种联系，我们通过表明我们解决这些学习问题时，我们还可以解决多时间HJ PDE，并通过扩展为其相应的最佳控制问题来提高某些机器学习应用程序的训练过程的可解释性。作为对此连接的首次探索，我们发展了正规化线性回归问题与线性二次调节器（LQR）之间的关系。然后，我们利用理论连接来适应标准LQR求解器（即基于Riccati普通微分方程的求解器）来设计机器学习的新培训方法。最后，我们提供了一些数值示例，这些示例证明了我们基于Riccati的方法在持续学习，训练后校准，转移学习和稀疏动态识别的背景下，基于Riccati的方法的多功能性和可能的优势。
4DOF 四轴飞行器：开发、建模和控制
本文介绍了四轴飞行器原型的发展，包括四自由度 (4DOF)，也有可能在龙卷风中旋转（偏航、俯仰和滚转）或长时间旋转 z（高度）。目标是使用商业四轴飞行器（传感器和参与者）的主要量化组件，并使用 PID、LQR 和滑模技术来控制高度和高度的应用。系统模型部分，大多数是特定的信息、使用的组件和最终的控制者、模拟和应用程序。