XiaoMi-AI文件搜索系统
World File Search System控制输入
分布式模型的预测性控制，用于领先车辆未知输入的异质车辆排
在本文中，提出了针对异性恋车辆排的分布式模型预测控制（DMPC）算法。允许领先的车辆由非零和时间变化的输入驱动，而不是以恒定的速度行驶。除了每个车辆的个别状态和输入限制外，所有车辆均通过状态耦合的车间间距约束和状态耦合成本函数耦合，从而维持一维排的构造与令人满意的瞬态性能。每辆车都与其附近的车辆通信，并且可能不知道领先的车辆的动力学状态信息。每个车辆的控制输入是由每个车辆的本地信息以及其邻居的假定状态信息确定的局部优化问题计算的。通过设计以下车辆的分布式终端控制法，将每个状态耦合设置为几个特定子集，然后迫使每辆车辆以优化其在分配的子集中受到约束的状态，可以将耦合约束和成本函数解耦，因此可以采用分布式和平行的计算方法来计算所有以下所有车辆的控制权。基于量身定制的终端平等约束以及量身定制的终端控制法，在所有时间步骤中都实现了本地MPC优化问题的递归可行性，并且还可以保证每辆车的渐近稳定性。在模拟中证明了所提出的DMPC方法的有效性，并且所提出的DMPC的优势与领先的车辆的非零，无法访问，并且随时间变化的输入强调了与不断变化的领先车辆速度的异构车辆平台的比较模拟。
论文建议近似函数分析...
在对电动驱动器的最佳控制中，人们可以通过在退缩地平线上求解基础控制问题，在离散时间步骤中隐式优化控制输入，或者可以尝试明确地找到一个直接映射测得的测量状态以控制操作的控制策略函数。后一种方法通常称为显式最佳控制，需要使用近似功能来解决连续（即无限）状态和动作空间。一旦找到了（近似）最佳控制策略，通常比在每个控制器周期必须在线优化过程进行在线优化过程的隐式情况要快得多。由于控制器决策时间间隔在电动驱动器的子毫秒范围内，因此明确的最佳控制的快速在线推断是一项令人信服的功能。在这里，潜在的控制策略近似函数涵盖了广泛的函数类别，例如神经网络，高斯过程或拉瓜多项式[1]。可以从数据（例如增强学习[2]）或基于可用植物模型（差异预测性控制[3]）中学习控制策略。在这两种情况下，近似函数的拓扑都在控制策略的性能以及训练和推理阶段的数值复杂性方面都起着至关重要的规则。虽然近似函数的特定选择通常是基于临时启发式方法，但如何系统地选择给定控制任务的最佳近似函数的问题仍然在很大程度上开放。
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
声光 Q 开关驱动器（RF 驱动器） - Sintec Optronics
AO Q 开关驱动器 (RF 驱动器) 1. QSD 系列 Q 开关驱动器 高功率 RF 驱动器模块的输出功率为 50W、75W 或 100W。由 220VAC 或 110VAC 供电，调制输入允许全数字控制或激活内部脉冲发生器。第一个脉冲抑制自动实施。主要规格： 射频功率输出：50W、75W 或 100W 频率：27.125MHz 驻波比：≤1.2:1 调制重复频率：800Hz-50KHz 第一脉冲抑制 调制控制输入：数字 TTL，直到 100kHz 驱动器过热，Q 开关过热 内部过温保护和过流保护 频率数字显示 电源电压输入：220VAC/110VAC，<150W 型号：QSD-2750（50W）、QSD-2775（75W）或 QSD-27100（100W） 尺寸：19” 2U 机架，483×88×200mm 2. R390 系列 Q 开关驱动器（RF 驱动器） R390xx-yyDMzzz-A（50W、100W） 输出为功率为 50 或 100W。由 28VDC 供电，调制输入允许全数字控制或激活内部脉冲发生器。第一脉冲抑制是通过模拟调制、RF 模拟控制、触发第一脉冲抑制或触发预脉冲抑制来实现的，如我们的 FPS 指导说明中所述。板载 LED 和 TTL 逻辑输出监控驱动器状态，并通过散热器上的强制空气进行冷却。
自主多智能体系统的防御策略
摘要 — 虚假数据注入 (FDI) 攻击对自主多智能体系统 (MAS) 构成重大威胁。虽然弹性控制策略可以解决 FDI 攻击，但它们通常对攻击信号有严格的假设，并且忽略了安全约束，例如避免碰撞。在实际应用中，配备先进传感器或武器的领导者智能体跨越安全区域来引导异构跟随智能体，确保协调行动，同时解决避免碰撞问题，以防止财务损失和任务失败。本文通过介绍和研究指数无界 FDI (EU-FDI) 攻击下的安全意识和攻击弹性 (SAAR) 控制问题来解决这些差距。具体而言，首先设计一种新型的攻击弹性观察者层 (OL) 来防御对 OL 的 EU-FDI 攻击。然后，通过使用二次规划 (QP) 解决优化问题，将避免碰撞的安全约束进一步集成到 SAAR 控制器设计中，以防止跟随者之间的碰撞。最后设计了一种抗攻击补偿信号，以减轻 EU-FDI 攻击控制输入层 (CIL) 造成的不利影响。基于 Lyapunov 的严格稳定性分析证明了 SAAR 控制器在确保安全性和弹性方面的有效性。本研究还开创了自主 MAS 的 SAAR 遏制控制问题的三维模拟，证明了其在现实多智能体场景中的适用性。索引术语 — 遏制、弹性、无界攻击、安全约束。
一种用于电池的自适应能量管理方法...
摘要。储能系统 (ESS) 在日常生活中不可或缺，有两种类型，可以提供高能量和高功率密度。混合储能系统 (HESS) 是通过组合两个或多个储能单元来获得，以使两种类型都受益。能源管理系统 (EMS) 对于确保 HESS 的可靠性、高性能和效率至关重要。EMS 最关键的参数之一是电池健康状态 (SoH)。对 SoH 的持续监控可提供有关系统状态的重要信息，检测异常的性能下降并实现计划维护，防止系统故障，有助于将效率保持在始终如一的高水平，并通过减少停机时间来帮助确保能源安全。SoH 参数取决于放电深度 (DoD)、充电和放电速率 (C-rate) 和温度等参数。这些参数的最佳值直接影响电池的寿命和运行性能。所提出的自适应能量管理系统 (AEMS) 使用电池的 SoH 参数作为控制输入。它通过动态更新 C 速率和 DoD 参数来提供最佳控制。此外，集成到系统中的超级电容器具有基于滤波器的功率分离功能，可防止电池深度放电。在所提出的 AEMS 控制下，据观察，HESS 比仅依赖电池的系统多产生 6.31% 的能量。由 AEMS 有效管理的超级电容器和电池之间的这种有益关系为从电动汽车到可再生能源存储系统等应用中的先进能源管理开辟了新的可能性。
六足机器人模拟器中的倾斜幻觉导致错误...
目标：我们测试六足模拟器中的某个程序是否会导致航空公司飞行员对倾斜角（即“倾斜”）做出错误假设以及对姿态指示器 (AI) 做出错误解释。背景：倾斜对解释错误的影响此前已在非飞行员中得到证实。飞行中，由于误导性的滚转提示（空间定向障碍）可能会出现错误的假设。方法：飞行员（n = 18）进行了 36 次试验，要求他们仅使用 AI 滚转至机翼水平。在显示 AI 之前，他们会收到滚转提示，在大多数试验中，提示与 AI 倾斜角方向相匹配，但在倾斜相反条件下（四次试验），提示方向相反。在基线条件下（四次试验），他们没有收到滚转提示。为了测试飞行员是否对 AI 做出反应，AI 有时会在倾斜水平条件下（四次试验）按照滚转提示显示机翼水平。结果：总体而言，飞行员在倾斜-相反条件下（19.4%）犯的错误明显多于基线条件（6.9%）或倾斜-水平条件（0.0%）。倾斜-相反条件下的学习效果明显，因为 38.9% 的飞行员在第一次接触这种条件时犯了错误。经验（即飞行小时数）没有显著影响。结论：倾斜程序可有效诱导飞行员的 AI 误解和控制输入错误。应用：该程序可用于空间定向障碍演示。
使用DJI Tello无人机作为教育...
摘要 - 本文使用DJI Tello无人机作为自动控制工程领域的互动教学平台提出了动手教学方法。DJI Tello是一款小型商业四轮驱动器无人机，包括一个软件开发套件（SDK），它允许使用包括Python在内的各种编程语言来控制Tello。无人机还配备了大量传感器，这些传感器可在实时收集数据并分析控制输入（例如推力，俯仰，滚动和偏航）的变化如何影响其飞行路径和稳定性。这些功能使Tello成为一个很好的教学工具，用于以一种障碍和实用的方式展示控制概念。本文提供了两个教学应用的例子。第一个示例旨在在实践中说明如何使用传输函数使用系统标识来创建DJI Tello无人机的数学模型。第二个示例旨在说明如何设计比例综合（PI）控制器并在DJI Tello无人机上实现后进行验证。通过这些教学演示，有可能在为学生提供对建模和控制的基础概念方面的提供，同时增强认知学习。还观察到，即使学生没有航空的背景，但使用非典型系统（例如无人机）也引起了他们的好奇心，鼓励他们参与，从而使课堂上的示范更具动态性。关键字：教育平台，示威者，无人机，可视化，学生感知，控制理论。
社交媒体对小型和...
航天器的操作需要一个至关重要的控制方案来加以执行任务。因此，滑动模式控制（SMC）是能够满足航天器控制操作要求的Ro-Bust Control方法之一。经典SMC在控制输入中会产生chat不休，这可能会导致移动机械部件的磨损，例如执行器。因此，许多研究人员在SMC中引入了修改，以减轻chat不休的缺点。SMC控制开发可以分为两组；低阶滑动模式控制（LOSMC）和高阶滑动模式控制（HOSMC）。详细说明，HOSMC需要与LOSMC相比具有复杂的控制算法，但具有更明显的动态响应。因此，需要一个新的LOSMC，产生与HOSMC相似的结果，但在对照算法中的复杂性较小。sev-sever选定的SMC方法；航天器的态度和orientation模型（SAOM）和航天器会合和对接演习（SRDM）。此分析是评估新的LOSMC控制开发的现有SMC技术，优势和劣势的重要媒介。首先，在SAOM和SRDM上分析了所提出的LOSMC，其中结果与HOSMC进行了比较。然后，在新的LOSMC和HOSMC上实现了优化技术（粒子群优化（PSO））。PSO帮助SAOM和SRDM改善了瞬态轨迹。新的LOSMC是设计的，并且可以作为具有低复杂性算法的HOSMC执行。最后，这将及其在SAOM和SRDM上的表现提供有用的SMC控制策略信息。
636091 Integriti 3A 智能电源 Rev1_2.pmd - CSD
安装详细信息 链接：LK1 输入（16V AC）电流限制。安装：电流限制 = 3A。变压器必须至少为 4 安培。移除：电流限制 = 1A。变压器必须至少为 1.5A。连接器：P2 使用提供的 Integriti PSU 电缆直接连接到兼容的 Integriti 模块。提供所需的所有电源、高级监控和控制连接。T1 16V AC 变压器或插头组输入连接。T2 用于 SLA 电池的键控 12V 端子。6.5 - 18 AH。使用提供的电池电缆。T3 13.75V DC 输出用于 LAN 电源（如果需要）。T4 13.75V DC 输出用于探测器电源（如果需要）。T5 地线。连接到合适的接地点。例如金属底盘、插头组地线等。T6 I/O 用于传统或第三方系统中的低级监控和控制。BATTFAIL：低电量指示器开路集电极输出。见下文注释 2。 ACFAIL：交流电故障指示器开路集电极输出。请参阅下面的注释 2。 BTEST：电池充电器控制输入。请参阅下面的注释 1。切换到 0V 以执行电池测试。 0V：“BTEST”输入的公共 0V 连接。 重要说明：1) 如果电源通过 P2 使用 Integriti PSU 电缆连接到 Integriti 模块，则不得使用 T6“BTEST”输入。 2) BATTFAIL 和 ACFAIL 输出为 ON（短路至 0V）表示正常，为 OFF（开路）表示故障情况。这允许使用 EOL 电阻器连接到区域输入。请参阅第 3 页上的图纸。