EFI系统自学习模糊控制的研究

本文提出了一种电子汽油喷射系统的智能控制方案－自学习模糊控制，自学习控制通过对燃油喷射脉冲宽度的调控，使发动机在运行的全过程中始终在保证动力性的基础上达到油耗最低的最佳或满意状态，自学习控制中喷射脉宽的增量是由模糊控制来确定的，实验证明，该智能控制系统改善了发动机的性能。     

The Impact of Travel Time Information on Travelers’ Learning under Uncertainty

In this work, laboratory experiment was conducted in order to evaluate the effect of feedback on decision-making under uncertainty, with and without provided information about travel times. We discuss the prediction of travelers’ response to uncertainty in two route–choice situations. In the first situation travelers are faced with a route–choice problem in which travel times are uncertain but some external information about routes’ travel times is provided. The second situation takes place in a more uncertain environment in which external information about travel times is not provided, and the travelers’ only source of information is their own experience. Experimental results are in conflict with the paradigm about traveler information systems: As a consequence of information, the propensity of travelers to minimize expected travel time is not necessarily increased. Providing travelers with static information about expected travel times reveals an increase in the heterogeneity of travelers’ choices and reduces the maximization rate.     

自主式水下潜器海洋环境监测系统技术概念

介绍了被誉为未来海洋卫星的自主式水下潜器ＡＵＶ（Ａｕｔｏｎｏｍｏｕｓ Ｕｎｄｅｒｗａｔｅｒ Ｖｅｈｉｃｌｅｓ）的国外发展新动态、自主式海洋采样网络ＡＯＳＮ（Ａｕｔｏｎｏｍｏｕｓ Ｏｃｅａｎ Ｓａｍｐｌｉｎｇ Ｎｅｔｗｏｒｋ）和海洋中的“卫星”技术概念和应用前景。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

自主水下航行器制导系统的设计

简要介绍了某小型远程自主水下航行器制导系统的设计要求和软硬件实现方法,该制导系统已成功应用于211工程建设的自主水下航行器上。     

基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

示范性高职院校服务“两型社会”建设的基本路径研究

＂两型社会＂是指＂资源节约型和环境友好型社会＂。建设＂两型社会＂是当代社会发展的需要,参与建设＂两型社会＂是示范高职院校自身发展的内在要求。示范高职院校为＂两型社会＂培养资源节约型和环境友好型人才,为＂两型社会＂提供高技术服务,谋求与经济、社会的双赢发展,引领我国高职院校健康发展。     

Flow-field guided steering control for rigid autonomous ground vehicles in low-speed manoeuvring

ABSTRACT

This paper studies the low-speed manoeuvring problem for autono-mous ground vehicles operating in complex static environments. Making use of the intrinsic property of a fluid to naturally find its way to an outflow destination, a novel guidance method is proposed. In this approach, a reference flow field is calculated numerically through Computational Fluid Dynamics, based on which both the reference path topology and the steering reference to achieve the path are derived in a single process. Steering control considers three constraints: obstacle and boundary avoidance, rigidity of the vehicle, plus the non-holonomic velocity constraints due to the steering system. The influences of the parameters used during the flow field simulation and the control algorithm are discussed through numerical cases. A divergency field is defined to evaluate the quality of the flow field in guiding the vehicle. This is used to identify any problematic branching features of the flow, and control is adapted in the neighbourhood of such branching features to resolve possible ambiguities in the control reference. Results demonstrate the effectiveness of the method in finding smooth and feasible motion paths, even in complex environments.     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。