基于自适应阈值DBSCAN的路侧点云分割算法

针对路侧采集的激光雷达点云数据随距离增大而密度下降导致同一目标的点云被分割成多个目标的问题,提出了一种基于自适应阈值DBSCAN的路侧点云分割算法。首先,使用改进GPF和直通滤波对采集的路侧点云进行过滤,提取出道路区域上的非地面点云;然后,基于有效距离和sigmoid函数构建自适应系数函数,对DBSCAN聚类算法集群生长中近邻点搜索时半径阈值的选取规则进行优化;最后,利用自适应阈值DBSCAN聚类算法对非地面点进行聚类,得到隶属于单个目标的点云。采集了1 055帧真实场景的连续数据进行测试,结果显示：C-H系数平均约增加3倍、D-B系数平均减少4.52%、轮廓系数平均增加77.78%,这表明基于自适应阈值DBSCAN的分割算法能提高点云簇的类内一致性和类间差异性,有效减少路侧激光雷达点云的过分割现象,具有较高的工程应用价值。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

基于密度半径自适应选择的K-均值聚类算法

K-均值算法聚类速度快,易于实现,且对数据依赖度低,在文本聚类中得到广泛应用.然而,由于聚类初始中心点选择的随机性,传统K-均值算法以及其变种的聚类结果会产生较大的波动.文章对K-均值算法进行了改进,通过自适应选择最佳密度半径进而优化聚类初始中心选择的方法,得到一种适合文本数据聚类分析的改进算法.实验表明,该算法能够生成质量较高而且波动性较小的聚类结果.     

动力定位船舶全速度路径跟踪CB导引自适应闭环控制

针对仅使用槽道推进器提供横向推力的动力定位船舶路径跟踪控制问题,建立慢变环境干扰影响下的非线性船舶数学模型,设计带有自适应干扰补偿的反步控制算法来消除环境干扰的影响。引入平行目标接近(CB)导引算法为跟踪控制生成期望速度矢量信号,通过与所提出的自适应反步控制算法相结合,得到不受船舶驱动特性限制的全速度范围动力定位船舶导引跟踪控制算法,应用李雅普诺夫稳定性理论证明系统跟踪误差渐进收敛到零。仿真结果表明通过调整导引算法参数可以调节船舶跟踪过程表现,并可以得到较好的控制精度。     

基于模型参考自适应的电动车用内置式永磁同步电机电感参数辨识技术研究

内置式永磁同步电机(IPMSM)由于其优良的转矩特性和宽广的调速范围而广泛运用于电动汽车电驱系统。与表贴式永磁同步电机(SMPSM)不同,IPMSM转子具有强烈的凸极效应。因此其控制方式相较表贴式更为复杂,需要更加精确的电机数学模型。但是由于饱和效应和交叉耦合,电感参数会随运行工况变化而发生变化,从而影响系统控制精度,所以能够实时掌握内置式永磁同步电机电感参数是非常重要的。本文采用模型参考自适应算法(MRAS)实现IPMSM电感参数在线辨识,运用Runge Kutta离散化方法建立可调模型,依据Popov超稳定性定理推导出自适应律。仿真结果表明,采用MRAS的在线参数辨识算法可以准确、实时地辨识出IPMSM的交、直轴电感。     

基于卡尔曼-高斯联合滤波的车辆位置跟踪

车辆位置的精确、可靠获取,一直是阻碍智能驾驶技术的难题.特别当车辆处于复杂道路环境中时,车辆卫星定位信号易受较大干扰,使车辆定位产生漂移现象.针对车辆定位的这种漂移现象,研究了针对车辆位置跟踪的卡尔曼-高斯联合滤波方法.对于车辆卫星定位受到的干扰不同,采用分层处理的滤波方法;针对卡尔曼滤波不能较好地滤除一些干扰较大的位置漂移点,通过设置与车速、航向角等相关的动态阈值,对卫星定位的车辆位置进行动态阈值判断;通过动态阈值识别出的车辆位置漂移数据,结合高斯过程回归,以车辆的历史数据作为学习样本,使用预测值和真实观测值构建补偿量,通过对卡尔曼观测方程加入动态观测补偿实现车辆位置优化;对于一般噪声产生的卫星定位波动,联合滤波也可以有效优化.实车实验表明,该方法可以有效识别出车辆定位的漂移点,车辆卫星定位在信号受较大干扰的情况下,车辆卫星定位的精度可以提高30%左右,最大误差由9 m降低到0.8 m左右.该联合滤波方法在使用低成本定位装置的情况下,有效提高车辆卫星定位的精度及可靠性.      

基于DMPC的智能汽车协同式自适应巡航控制

本文中针对单向通信拓扑的非线性车辆队列协同式自适应巡航(CACC)控制问题,提出一种保证队列稳定且满足队列各车跟随性、安全性和乘员舒适性的分布式模型预测控制(DMPC)策略。首先建立了车辆队列的动力学模型和通信拓扑结构模型,并基于队列系统的多项优化性能设计代价函数和系统约束,使队列中每一辆跟随车基于其接收到的有限信息求解一个开环局部最优问题,计算出当前时刻的最优控制量作为输入并不断重复这个过程,达到滚动优化的目的,实现车辆队列的协同式自适应巡航控制。其次通过CACC系统局部代价函数之和构建Lyapunov候选函数,证明了车辆队列系统渐进稳定性的充分条件。最后通过CarSim和Simulink联合仿真,分析了算法在理想状态下对不同形式单向通信拓扑车辆队列的控制性能;通过实车试验,验证了算法在实车条件下感知层存在抖动、底层控制存在延迟和误差时的控制性能。仿真和实车试验的结果表明,本文提出的控制策略能使队列车辆实现各项优化性能,同时对外部干扰有较好的鲁棒性。     

基于线性自抗扰控制的自动驾驶车辆纵向加速度控制算法研究

为提高自动驾驶车辆纵向加速度控制算法的鲁棒性,基于电动汽车纵向加速度系统仿射模型,提出了具有双观测器结构的线性自抗扰加速度跟踪控制算法,并通过带有遗忘因子的递归最小二乘法对阻力模型进行在线辨识,实现了驱动电机与制动系统之间的协调切换。通过搭建硬件在环(HIL)仿真平台对设计的控制算法进行了鲁棒性和实时性验证,结果表明,所提出的控制算法能够实现对加速度信号快速、稳定跟踪,能够在车辆纵向动力学模型未准确建模状态下对纵向加速度进行有效控制。     

基于视觉识别的线控制动压力滑模控制

制动安全是车辆主动安全的关键技术之一.制动决策和执行器控制是影响线控制动系统性能的两个主要因素.路面自适应性和控制器鲁棒性分别对制动决策和执行器控制有着重要影响,制约着线控制动系统的发展.本文中以一种液压调控的线控制动系统为基础,针对路面自适应性和控制器鲁棒性问题,提出一种双层结构的制动系统控制器,上层采用计算机视觉的...     

基于Q学习的参数自适应S面控制方法

复杂的动力学特性及多变的海洋环境对无人水下航行器（UUV）控制器的设计提出了巨大挑战,在实际应用中,控制器的参数经人工调试后便固化,在控制过程中无法适应环境的变化。针对上述难题,该文借鉴自适应控制思想,提出一种基于强化学习的参数自适应S面控制方法,采用自适应控制方式实现不同环境下控制器参数的优化和自动整定。该方法采用Q学习算法进行训练,通过Q学习的自学习机制寻找输入状态和输出动作间的最优映射。仿真试验表明,所提方法能对控制器的参数进行实时在线调整,具备良好的控制效果和环境自适应能力。