一种改进的模型跟随自适应控制算法

提出了一种改进的模型跟随自适应算法(DS-AMFC),即把系统输出的误差引入控制信号,同时,利用线性神经网络对系统(k+1)时刻输出误差预测,并利用该预测值对系统进行控制。仿真表明该改进算法较原算法有较强的跟随模型的能力。     

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题，从类人驾驶特征出发，设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络（Conv-LSTM），对前方道路视觉感知图像时间序列进行时空特征提取，同时采用一维卷积和长短期时序记忆网络（Long Short-Term Memory，LSTM） 对车辆状态信息时间序列进行历史状态特征提取，进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策，并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程，还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法，并引入容差阈值，建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证，体现出良好的可行性及优越性。     

基于预测恒定车头时距策略的自适应巡航控制研究

为了进一步提高车辆跟车过程中的跟踪性、安全性、舒适性和燃油经济性，针对已有间距策略表现过于保守或反应过于激烈等不足之处，提出了一种预测恒定车头时距策略。该策略考虑了相对加速度，建立了一种预测型期望车间距模型，进而应用于模型预测控制的多目标自适应巡航控制系统中，能进一步提高模型预测控制对多个控制目标的综合协调能力。搭建上层控制器、下层PID控制器、油门制动切换、逆纵向动力学模型。在多工况下仿真，通过建立性能评判指标对多目标进行量化分析。结果表明，所提出的间距策略在保证安全性的前提下，提升了自适应巡航控制系统的综合性能。在不同驾驶风格的车头时距下，跟踪性、舒适性和燃油经济性均有良好表现。     

Robust adaptive course-keeping control of under-actuated ships with the rudder failure北大核心CSCD

[目的]针对舵机故障、控制增益未知和海洋环境干扰情况下的欠驱动船舶航向保持问题,设计一种考虑舵机故障的船舶鲁棒自适应航向保持控制算法。[方法]通过结合鲁棒神经阻尼技术和自适应方法,对繁重的神经网络权值进行横向压缩,仅需设计2个自适应学习参数对未知增益和舵机故障参数在线补偿,以确保船舶在舵机故障的情况下能够有效执行航向保持任务。通过李雅普诺夫理论,证明所提出的控制器半全局最终一致稳定有界(semi-global uniform and ultimately bounded,SGUUB)。最后以“育鲲”轮为仿真对象,建立非线性Nomoto数学模型,在海洋干扰下进行对比仿真试验验证。[结果]结果表明,在此策略下,“育鲲”轮在舵机故障情况下平均舵角输出比仿真试验中所对比的传统方法降低了51%,可改善航向保持控制效果。[结论]研究结果可为欠驱动船舶的航向保持控制问题提供借鉴。