基于惯性姿态参量量化融合的机器腿仿生步态控制

为了提高机器腿仿生步态控制的稳定性,提出一种基于惯性姿态参量量化融合的机器腿仿生步态控制方法。构造机器腿仿生步态的运动学模型,进行机器腿仿生步态控制约束参量建模,采用陀螺仪和加速度计等位姿传感器进行姿态参量采集。采用扩展卡尔曼滤波方法进行机器腿的惯性姿态参量融合并输入到时控制执行器中。针对未知扰动对机器腿步态参量控制的误差,采用自回归更新方法进行姿态参量误差反馈修正,实现机器腿仿生步态稳定控制。仿真结果表明:提出的方法对机器腿仿生控制的稳定性较好,姿态参量的定位跟踪能力较强,提高机器腿步行的稳健性。

基于机器学习的航母智能减摇控制算法研究

航母在浪中航行摇动性较大,需要进行减摇控制,提高航母航行的稳定性,提出一种基于机器学习的航母智能减摇控制算法,构建航母航行的运动学模型,根据航母航行的运动学方程和动力学方程进行控制约束参量分析,采用鲁棒性参数整定方法进行航母的横滚角、俯仰角、纵向倾角等参量的融合处理,实现航行姿态参量的误差反馈补偿,采用机器学习算法进行航母航行的位姿参量的平衡性修正,提高航母航行的稳定性,实现减摇控制。仿真结果表明,采用该算法进行航母智能减摇控制的姿态参数稳定性较好,误差修正能力较强,航母摇动修正的鲁棒性较好。

基于机器学习的风暴中船体减摇自动化控制方法研究

针对传统模糊控制方法修正误差大、航行过程中出现风暴现象船舶的晃动程度较高的现象,提出并设计了一种基于机器学习的船体减摇自动化控制方法。结合数学模型对船舶减摇过程中所受的偏移力矩进行分析后,确定船体姿态参量的自整定性处理系数,采用机器学习方法对自动化控制算法进行优化,实现船体姿态参量的误差补偿,完成对风暴环境中船舶的自动化减摇控制。仿真实验结果表明,采用基于机器学习的自动化控制方法能够有效增强船体减摇过程中的误差修正能力,鲁棒性极强。

基于末端轨迹修正的导弹跟踪稳定性控制方法

舰载导弹在制导飞行的末端容易受到空气小扰动的影响产生轨迹偏离,需要进行轨迹偏离修正控制,提高弹道对目标跟踪的姿态稳定性,提出一种基于改进的扩展Kalman滤波(EKR)和误差反馈修正的导弹跟踪端轨迹修正控制方法。以陀螺仪采集的导弹的横滚角、俯仰角以及航向偏离的参量为控制约束指标集,采用扩展Kalman滤波算法进行姿态参量融合,结合Smith结构建立导弹跟踪控制的被控对象模型,计算末端轨迹中姿态角与真值的偏差,根据偏差进行导弹的惯性姿态反馈调节,采用自适应的量化融合跟踪识别方法进行导弹定姿处理,通过对末端轨迹的误差反馈修正提高姿态角的输出精度,根据姿态的不断变化实现自适应的位姿修正,实现导弹对敌目标跟踪的稳定性控制。仿真结果表明,采用该方法进行导弹控制的姿态角解算的误差较小,定姿精度较高,提高导弹跟踪控制的稳定性和鲁棒性。