基于QP算法的智能车速度规划

针对结构化道路环境下智能车速度规划问题,提出基于QP(二次规划)算法的速度规划方法。首先根据智能车的当前位置和行驶轨迹建立ST图,描述障碍物和智能车之间的运动状态关系;其次根据QP模型构建速度规划目标函数、设计约束条件并求解;最后参照人工驾驶对于安全性和舒适性的评价指标要求,对速度规划结果进行评价分析。实车实验中,起步时的最大加速度为0.6 m/s^2,制动时最大减速度为-1.25 m/s^2;避让紧急超车车辆时,智能车可在5 s后将车距调整到安全范围内;持续避障时最大加速度为0.4 m/s^2,最大减速度为-0.58 m/s^2,加速度变化率的绝对值最大为0.58 m/s3。实车实验表明该方法的实验结果满足安全性和舒适性要求。

基于F-B NCP函数的可行QP-free算法

本文得到一种可行QP-free算法,引入ε-有效集策略使得每次迭代只需求解规模较小的线性方程组得到迭代方向,且方程组只包含工作集中的约束,其规模较原问题大大减小,同时不进行弧搜索,从而降低了运算量.

双脉冲卫星交汇算法研究

针对双脉冲卫星交汇问题,首先建立了双脉冲交汇模型,提出优化的目标函数,然后分别采用二种算法,比较了确定性方法和非确定性方法的优劣,得出结论:演化算法容易实现,结果比较精确,但是效率太低,运算开销大,适用于解决一些复杂的大型运算;SQP方法结果精确,效率较高,但是却有初始点敏感问题,可能陷入局部最优,适用于解决一些小型计算问题。

基于梯形规划曲线的智能车速度规划算法研究

针对QP(Quadratic Programming)算法应用于智能车速度规划时,存在停车过程减速较晚而导致减速距离短、平稳性差的问题,文中提出了基于梯形规划曲线的智能车速度规划算法.首先建立速度规划的 QP模型并求解;然后分析不同初速度下基于梯形规划曲线的停车过程,将其结果作为非线性约束来实例化QP模型并再次求解;最后通过仿真实验和实车实验对比分析 QP算法和所提算法的实验结果.仿真实验中,分别以39.8km/h,31.5km/h,20.6km/h的初速度进入停车过程,速度变化曲线表明所提算法能够将减速开始时间提前,初步表明该算法具有优化效果;实车实验中,较QP算法而言,所提算法将3种初速度下的停车过程分别提前5.9s,5.0s,3.7s,平均加速度绝对值分别减少0.5m/s^2,0.5m/s^2,0.4m/s^2,最大加速度绝对值分别减少0.16m/s^2,0.33m/s^2,0.35m/s^2.仿真实验和实车实验表明,所提算法的改进效果明显,具有显著的优化作用.

改进的混合权系数最小二乘约束预测控制算法

混合权系数最小二乘预测控制算法(MWLS)与QP预测控制算法相比。具有减少计算量、运算速度快以及可以处理优化无可行解的情况等优点,在保证这些优点的基础上,通过分析MWLS算法中约束项目标函数的物理意义,提出了输入项约束加权系数不变的MWLS改进算法以及根据是否违反约束来改变加权系数的MWLS改进算法(IMWLS)。通过仿真研究,证明了两种改进算法的有效性,并与原MWLS算法相比大大改善了系统的动态响应特性。

基于全连接条件随机场的图像语义分割算法研究

对于视觉场景的理解是机器人在未知环境中进行有目的的行动的一项重要能力,图像语义分割能够有效地帮助机器人理解周围场景的语义特性。条件随机场(Conditional Random Field,CRF)是解决语义分割问题的一个重要框架。针对传统条件随机场相邻节点数过于稀疏的局限性,研究了具有稀疏高阶势CRF的图像语义分割算法,提出一种高阶CRF的二次规划(quadratic programming,QP)松弛推理算法。首先,使用来自TextonBoost的一元势、高斯二元势以及由Pn-Potts模型推导得到的高阶势建立能量函数,然后利用高效的QP松弛推理算法来解决高阶CRF的能量最小化问题,最后采用Pascal VOC2012公开数据集进行实验,验证算法的可行性与有效性。实验证明,该算法有效地克服了传统条件随机场局限性,获得了更好的语义分割结果。

不等式约束优化一个新型可行QP-free算法

本文对非线性不等式约束优化问题提出了一个新的可行QP-free算法.新算法保存了现有算法的优点,并具有以下特性:(1)算法每次迭代只需求解三个具有相同系数矩阵的线性方程组,计算量小;(2)可行下降方向只需通过求解一个线性方程组即可获得,克服了以往分别求解两个线性方程组获得下降方向和可行方向,然后再做凸组合的困难;(3)迭代点均为可行点,并不要求是严格内点;(4)算法中采用了试探性线搜索,可以进一步减少计算量;(5)算法中参数很少,数值试验表明算法具有较好的数值效果和较强的稳定性.