XiaoMi-AI文件搜索系统
World File Search SystemLQR
机器学习（4个学分）
机器学习介绍，监督学习 - 线性回归，逻辑回归，感知。指数族，广义线性模型。（8）生成学习算法。高斯判别分析。幼稚的贝叶斯。支持向量机。偏见/方差权衡模型选择和特征选择。评估和调试学习算法，决策树，随机森林。（10）深度学习简介 - 卷积神经网络。（4）无监督的学习聚类 - k-均值，em，高斯的混合物，因子分析。降低降低 - ICA。（8）增强学习-MDP，Bellman方程，价值迭代和政策迭代，线性二次调节（LQR），Q学习。值函数近似。（12）
4DOF 四轴飞行器：开发、建模和...
本文介绍了具有四个自由度 (4DOF) 的四轴飞行器原型的开发，该原型允许飞行器绕三个轴（偏航、俯仰和滚转）旋转以及沿 z 轴（高度）的位移。目标是获得使用商用四轴飞行器中最多组件（传感器和执行器）的工作台原型，并使用 PID、LQR 和滑模技术将其用于姿态和高度应用。从系统建模开始，展示其规格、使用的组件，最后以控制器的开发、仿真和应用结束。
航空航天系统的动态和控制
此转载是对航空航天系统的动态，控制和致动的全面研究，解决了航空航天工程中的关键挑战和创新解决方案。通过整合新的方法论和实际应用，该重印展示了空间操纵器的分布式控制中的进步，无拖力卫星的状态依赖性控制，全天候立方体的混合推进系统以及用于Aero-Engine Engine和Spacecra的先进策略。探索了各种技术，包括滑动模式控制，模型预测控制，分散的LQR和自适应模糊控制，以实现轨迹跟踪，振动抑制以及集成指导和控制的强大解决方案。 此外，这种重印强调了高级材料和传感技术的变革性潜力，例如压电传感器，纤维Bragg光栅（FBG）系统和智能材料，以增强振动抑制，结构健康监测和系统可靠性。 通过理论建模，计算分析和实验验证的结合，研究提供了对航空航天系统的设计和优化的整体观点。 针对研究人员，工程师和专业人员，该重印是理解航空动态，控制和驱动技术的最新进步和未来方向的宝贵资源。探索了各种技术，包括滑动模式控制，模型预测控制，分散的LQR和自适应模糊控制，以实现轨迹跟踪，振动抑制以及集成指导和控制的强大解决方案。此外，这种重印强调了高级材料和传感技术的变革性潜力，例如压电传感器，纤维Bragg光栅（FBG）系统和智能材料，以增强振动抑制，结构健康监测和系统可靠性。通过理论建模，计算分析和实验验证的结合，研究提供了对航空航天系统的设计和优化的整体观点。针对研究人员，工程师和专业人员，该重印是理解航空动态，控制和驱动技术的最新进步和未来方向的宝贵资源。
六度自动控制器设计方法
2.5-DOF 两个半自由度 6-DOF 六自由度 AFSIM 高级仿真、集成和建模框架 API 应用程序接口 BFS 基本可行解决方案 CAP 控制预期参数 CFD 计算流体动力学 CS 控制面 CV 控制变量 DoD 国防部 ISRES 改进的随机排序进化策略 LQR 线性二次调节器 MATLAB 矩阵实验室 NASA 美国国家航空航天局 NDI 非线性动态反演 NED 东北向下 NLOPT 非线性优化 PI 比例积分控制 TSPI 时间空间位置信息 UAV 无人驾驶飞行器 WGS84 世界大地测量局 1984 HALE 高空长航时飞机
在设计无人驾驶二次的可配置无人机自动驾驶仪
无人驾驶汽车（无人机）和四型人正在越来越多的应用中使用。通过纳入新的经济技术来不断改善森林火灾的检测和管理，以防止生态退化和灾难。使用内部圈循环设计，本文讨论了四个四面体的态度和高度控制器。作为高度非线性系统，可以通过假设几个假设来简化四项动力学。使用非线性反馈线性化技术，LQR，SMC，PD和PID控制器开发了四极管自动驾驶仪。通常，这些方法用于改善控制和拒绝干扰。pd-pID控制器还通过智能算法部署在烟雾或火灾的跟踪和监视中。在本文中，已经研究了使用具有可调参数的组合PD-PID控制器的效率。使用MATLAB Simulink通过模拟评估了性能。进行评估提出方法的计算研究表明，本文介绍的PD-PID组合产生了有希望的结果。
固定翼和多旋翼飞机的稳健视觉惯性导航与控制
以固定翼飞机为例，开发了一种基于矢量场输入的状态相关 LQR 控制器，以及从误差状态和李群理论得出的 EKF，以估计飞机状态和惯性风速。通过蒙特卡罗模拟证明了这种控制器/估计器组合的稳健性。接下来，通过使用阻力系数、部分更新和关键帧重置增强滤波器，提高了多旋翼飞行器最先进的 EKF 的准确性、稳健性和一致性。蒙特卡罗模拟证明了增强滤波器的准确性和一致性得到了提高。最后，推导出使用图像坐标的视觉惯性 EKF，以及用于估计精确视觉惯性估计算法所需变换的离线校准工具。通过数值模拟还表明基于图像的 EKF 和校准器在各种条件下都具有稳健性。
线性二次高斯控制系统的设计...
有几种不同类型的控制方法可用于线性和非线性系统。这些控制方法需要简单到复杂的控制器。在本项目中，通过获取状态空间模型并检查不同控制方法的开环和闭环响应来分析无尾翼火箭的俯仰稳定性。此外，根据线性二次调节器 (LQR) 的响应评估了简单但强大的比例、积分、微分 (PID) 控制器的响应。由于实际应用和案例的局限性，开发了卡尔曼滤波器 (最佳估计器) 来充分观察和获取必要的状态变量。最终，将 LQG 和卡尔曼滤波器结果和增益结合起来以获得线性二次高斯 (LQG) 控制器响应。每个部分都将定义、推导和实现必要的函数到 MATLAB 和 Simulink 中以获得最佳响应。
4M25-最终报告系统标识和基于模型的...
已经开发了一个简单的软操作器 - 一种仅在其底部致动的连续软杆，以探索这些模型。系统标识首先是使用全部信息，然后使用有限的信息来得出操纵器的动力学。然后，通过基于模型的RL对控制器进行训练，目的是将Ma-Nipulator保持在直立位置。这种方法通过通过学习动力学生成模拟数据来规避收集数据以进行无模型增强学习的效率低下。的目标是，通过对模拟动态进行训练，增强能够比实时培训更快，从而提高数据效率。比较了无模型和基于模型的方法以测试这一点。然后，还将增强学习与传统线性季节调节器（LQR）控制和比例积分衍生物（PID）控制的功效进行比较。作为外部影响和训练，有Pilco（（Deisenroth＆Rasmussen，2011）），这是一种基于Gaussian过程的控制学习计划，用于系统识别和策略搜索试验之间的控制。
舰载飞机-拖拉机的轨迹规划与跟踪...
如何自主规划出协同运动轨迹并及时准确地控制舰载机的运动是提升整体甲板作业效率的关键。本文主要讨论的问题是多舰载机协调轨迹规划策略及牵引机与舰载机的协同控制。首先，建立无拖杆牵引系统运动学模型和三自由度动力学模型；其次，提出一种飞机系统协同进化机制以确保多飞机协调轨迹规划并基于混合RRT∗算法生成适应于牵引机系统的轨迹；其次，在不完全约束和各种物理条件约束下，设计双层闭环控制器实现甲板上牵引机系统的轨迹跟踪。外层模型预测控制器有效控制载机与牵引车的协同运动，内层基于自适应模糊PID控制的力矩控制策略严格保证系统的稳定性。仿真结果表明，与反步控制和LQR算法相比，该控制器具有更快、更精确的控制速度，对有初始偏差的直线轨迹、大曲率正弦曲线、甲板上的复杂轨迹具有更强的鲁棒性。
公告项目和研讨会
技术进步，尤其是计算能力的持续增加以及高性能硬件的发展导致机器学习（ML）和增强学习（RL）的意义越来越大。人工智能（AI）的快速进步正在为各个领域的创新应用开放新的可能性 - 从机器人技术和自主控制到复杂过程的优化。该项目的目标是研究强化学习控制不稳定系统的潜力。将开发和训练一种无模型的RL算法，以有效地稳定系统。除了配置神经网络外，还将考虑各种RL算法和代理类型来确定最佳控制策略。将进行模拟和现实世界实验，以验证这些方法的实际适用性。该项目的一个关键方面是将基于RL的控制方法与经典控制理论的既定技术进行比较，例如线性二次调节器（LQR）和模型预测控制（MPC）。最终评估将基于相关的关键绩效指标（KPI），包括通过模拟和实验进行机电一体化实验室中的真实测试设置进行评估，包括收敛速度，控制质量，稳定性和概括能力。