XiaoMi-AI文件搜索系统
World File Search SystemSTSMC
由 stsmc 引导和控制的垂直起降飞机
本文介绍了在非参数不确定性（阵风和风扰动）下悬停飞行的垂直起降 (VTOL) 无人机 (UAV) 的滚转运动的最佳滑模控制 (SMC) 和最佳超扭转滑模控制 (STSMC) 的设计。本文对受控滚转运动进行了稳定性分析，并基于 Lyapunov 定理证明了渐近误差收敛。据此，针对受不确定性影响的飞机系统制定了控制律。为了避免在选择设计参数时进行反复试验并提高 SMC 和 STSMC 的性能，建议使用灰狼优化进行调整。基于数值模拟，对最佳和非最佳控制器以及最佳 SMSTC 和最佳 SMC 进行了比较研究，比较了跟踪误差和控制信号中的抖动行为。数值模拟表明，GWO 可以提高 SMC 和 STSMC 的性能。此外，在跟踪误差和控制信号抖动效应方面，最佳 STSMC 比最佳 SMC 具有更好的动态性能。
使用
摘要 - 本文将着重于自动驾驶汽车中的自适应巡航控制。自适应巡航控制输入是安全距离，该安全距离取决于距离值，测量距离，自动驾驶汽车本身的纵向速度，输出是所需的加速度。目标是根据超声波传感器测量的距离跟随前面的车辆，并保持前方车辆之间的距离大于我们确定的安全距离。为此，我们使用了基于适用于自适应巡航控制系统的神经网络，使用了超级扭曲滑动模式控制器（STSMC）和非单明的终端滑动模式控制器（NTSMC）。神经网络能够近似于NTSMC控制器的指数达到法律项参数，以补偿不确定性和扰动。使用超声波传感器生产并测试了一个自主汽车自适应巡航控制系统原型，以测量两家汽车之间的距离，而Arduino板作为微控制器，以实施我们的程序，并将四个DCS Motors作为执行器作为执行器，以移动或停止我们的主机车辆。该系统由代码和Simulink Matlab处理，这些控制器的效率和鲁棒性非常好，如低纵向速度误差值所证明的那样。使用基于神经网络控制器的STSMC和NTSMC改善自适应巡航控制，可以提高自动驾驶汽车的安全性，这些神经网络控制器的效率和鲁棒性选择。