冗余驱动并联机构动力学模型TVC优化H∞鲁棒控制

针对冗余驱动并联机构控制系统设计未结合动力学建模,未考虑伺服阀动、静态特性等问题,基于第二类Lagrange方程和流体力学动力学知识,对动平台及液压系统中机械、液压系统建模,建立电液伺服系统五阶传递函数模型,通过主导能量最优模型将其降为三阶模型。以此为控制对象提出了基于三矢量控制(Three vector control,TVC)反馈优化的H∞鲁棒控制策略(TVC-ROB),并与TVC前馈反馈控制、TVC反馈优化的模糊自适应PID控制(TVC-FAPID)两种控制策略在阶跃信号、线性扫频、实际武广谱路谱等进行对比分析。结果表明,TVC反馈的提出有效拓展了系统频宽,且提高液压系统阻尼比和固有频率,因此TVC-ROB在高频跟踪性能上改善较为明显,其位移误差百分比仅为1. 26%,且引入的H∞鲁棒控制提高了系统抗扰、抗噪性能。

多段式自动泊车最优路径规划与仿真分析

针对狭小平行泊车位的路径规划和泊车轨迹曲率不连续等问题,同时考虑避撞约束,提出了一种最优化多段式泊车路径规划方法。建立了车辆方向盘转速恒定时的车辆后轴中心运动轨迹方程;其次为保证车辆安全停车,建立了避障约束函数;设置泊车路径后轴中心为控制点,以泊车空间最小、最终泊车姿态角最小等泊车指标求取路径最优解。通过Simulink与Carsim联合仿真搭建模型,仿真结果表明,基于此方法设计的泊车路径,在满足泊车安全的前提下,可实现快速、稳定狭小平行泊车位停车。

基于改进ALexNet模型的路面状况识别方法研究

针对目前路面类型识别率低及人工提取路面图像特征过程复杂且提取方法较为单一等问题,提出了一种基于改进AlexNet模型的路面状况识别方法(PCRM)。首先,结合路面图像样本的特征,将ReLU激活函数改为LeakReLU,添加了正则化层BN,克服原有AlexNet网络显存的缺点。其次,将改进的AlexNet网络进行了迁移学习,冻结了ImageNet预训练的浅层网络权重,替换原有的3层全连接层为2层全连接层并在路面图像数据集进行了训练,用以提高网络训练效率和识别准确率。最后,在改进的ALexNet网络中用6-label SoftMax代替原分类器,进行WetAsphalt, Mud, Snow, Asphalt, Paved, Unpaved等6种路面类型分类,其中后3类Asphalt, Paved和Unpaved样本数据集最容易相互误判。对比原有的AlexNet网络,提出的PCRM模型验证集准确率提升了2.9%,验证数据集损失值降低了0.555 4。从适应性、预测输出、误差性能等方面又对比分析了传统机器学习和本研究提出的PCRM模型。结果表明:后者识别精确率为99.9%,分别高于AlexNet, BP和SVM等分类模型3.3%,7.1%和11.81%,有效地提高了网络训练速度和道路图像识别精度,具有较强的鲁棒性,且能够满足多种实际路况路面图像的感知要求。该研究方法不只适用于单车道路识别,可推广至人-车-路-云协同感知车辆环境。