基于虚拟参考点的AUV编队控制(英文)

针对自主水下航行器(AUV)的编队控制问题,分析了几种不同编队控制方法的优缺点,提出了一种融合了主从编队控制和虚拟结构编队控制二者优点的基于虚拟参考点的AUV编队控制新方法。该方法将AUV的水平面运动方程进行反馈线性化,得到一个二重积分系统,并将编队控制任务分为两个子任务,一是各个AUV的路径跟踪问题;二是要求所有的AUV要以期望的速度编队航行,在此基础上设计了AUV的编队控制律,并在设计虚拟参考点的位置更新时,综合考虑了编队中所有AUV的位置跟踪误差,实现了编队控制的高层协调。通过仿真试验,验证了所提出编队控制律的有效性。

一种无人机编队参考点飞行运动预判方法

为了实现无人机编队领机/虚拟参考点飞行运动的准确预判,提出了一种基于RBF神经网络的领机/虚拟参考点加速度估计方法。设计神经网络实际权值的更新方式,并运用改进的智能水滴算法获取神经网络高斯径向基函数中心(c_(1max),c_(2max))。其中,上述算法中水滴的速度和加速度模拟无人机的速度和加速度;根据水滴位置偏差、速度偏差组成的矩阵的范数以及网格土壤含量,更新水滴所处网格位置;在满足计算停止条件时,土壤含量最少网格处的(c_(1max),c_(2max))作为基函数中心输出。仿真表明,无人机编队能够快速响应机动飞行,队形变换结束后各机位置偏差和速度偏差足够小。可见,对领机/虚拟参考点加速度估计足够准确,估计方法有效。

EAVTP:一种环境自适应车辆轨迹预测方法

对移动对象的不确定轨迹实时、高效的预测是智能交通系统研究热点之一.针对现有轨迹预测方法在动态环境中预测精度不高、实时效果差的问题,提出一种环境自适应车辆轨迹预测方法(EAVTP),该方法主要步骤包括:首先运用历史数据构造虚拟参考点有效改进环境动态变化通讯信号不稳定情况下车辆位置不准确信息;其次利用高斯混合模型对虚拟参考点数据与历史轨迹数据集训练实现环境自适应功能;最后利用虚拟参考点和历史轨迹数据集对车辆轨迹实时预测.最后对所提方法模拟仿真,结果表明EAVTP方法具有一定的环境自适应性,且预测精度和实时性比现有其它方法有所提高.

基于RSSI的KNN—PIT室内自适应定位算法

针对基于接收信号强度指示(RSSI)的K最近邻(KNN)算法在室内定位精度较低的问题,提出一种改进的KNN—三角形内点(KNN—PIT)室内定位算法。根据室内空间结构特征,建立具有类标号的位置指纹库。引入虚拟参考点,利用PIT原理进一步约束目标点的定位区域,自适应地使用定位算法进行定位。综合运用高斯滤波、均值滤波技术,降低离线和在线阶段的信号随机误差。结果表明:改进后的KNN—PIT定位算法可以更好地估计用户的实际位置,降低定位误差,定位精度提高12.5%。

基于局部迭代插值的位置指纹听觉定位方法

针对位置指纹听觉定位方法采样周期长和定位运算量大的问题,提出了一种局部迭代插值方法来提高其定位效率。首先,在离线采样阶段,通过减少初始参考点数量的方式来提高定位数据库的构建效率;然后,在在线定位阶段,采用迭代插值方法对数据库进行扩展以达到定位精度要求。与传统插值方法不同,局部迭代插值方法基于定位目标的临近参考点产生虚拟参考点,并且可通过对位置估计过程的监控避免冗余虚拟参考点的产生。此外,采用贪婪搜索算法缩小定位目标的临近参考点匹配范围,从而进一步提高在线定位阶段的效率。实验结果表明,采用局部迭代插值方法可以在保证定位精度的前提下有效提高位置指纹听觉定位过程的效率。