鱼雷形水下机器人非线性航迹跟踪控制 

研究了欠驱动自主式水下机器人路径跟踪问题.在Serret Frenet移动坐标系下,基于虚拟目标机器人建立了路径跟踪误差动力学方程.在此基础上,结合水下机器人动力学方程,设计了基于Lyapunov稳定性理论和反步法技术的控制器.仿真结果表明,提出的非线性反馈控制律能够保证路径跟踪误差快速收敛到零,使机器人沿着参考路径航行.     

基于深度强化学习的水下机器人最优轨迹控制

为了实现水下机器人在跟踪复杂轨迹时具有出较高的精度和稳定性,提出了利用深度强化学习实现水下机器人最优轨迹控制的方法:首先,建立基于2个深度神经网络（Actor网络和Critic网络）的水下机器人控制模型,其中Actor网络用来选择动作,Critic网络用来评估Actor网络的训练结果;其次,构造合适的奖励信号使得深度强化学习算法适用于水下机器人的动力学模型;最后,提出了基于奖励信号标准差的网络训练成功评判条件,使得水下机器人在确保精度的同时保证稳定性. 仿真实验结果表明:在解决一定精度内的水下机器人复杂轨迹跟踪问题时,该算法与传统PID控制算法相比具有更优的性能.     

粒子群优化平方根强跟踪CKF及应用

提出一种粒子群优化平方根强跟踪容积卡尔曼滤波算法,并将其用于水下应答器辅助航位推算组合导航系统. 以强跟踪滤波器为理论框架,结合容积卡尔曼滤波器,设计了平方根强跟踪容积卡尔曼滤波器. 提出一种改进的粒子群算法,将粒子两两为一对分成若干对,每进化一次后,比较两个粒子的代价函数值,代价函数值较优的粒子,搜索方向侧重于群体历史经验,代价函数较差的粒子,搜索方向侧重于自身历史经验. 将改进的粒子群算法用于求取强跟踪滤波器的渐消因子. 仿真结果表明在系统模型不准确的情况下所提算法依然能够有效跟踪状态变化,比传统的容积卡尔曼滤波器具有更高的滤波精度和稳定性.      

基于生物启发的水下机器人路径跟踪控制

针对常规反步控制方法在路径跟踪中出现的速度跳变与推进器驱动饱和等问题,将生物启发神经动力学模型应用到水下机器人路径跟踪控制中。利用生物启发神经动力学模型的渐变和有界输出等特性,设计基于生物启发的反步路径跟踪控制器,并同传统反步跟踪控制器进行对比分析。仿真结果表明:在较大的初始跟踪误差下,所设计的跟踪控制器可以有效克服水下机器人跟踪控制中的速度跳变,避免推进器的驱动饱和,满足水下机器人推进器的推力约束。     

水下机器人-机械手系统末端执行器固定时间轨迹跟踪控制

针对四自由度水下机器人搭载二自由度机械臂的水下机器人-机械手系统,设计一种基于固定时间扰动观测器的积分滑模控制方法.利用固定时间特性,设计固定时间扰动观测器实现对未建模动态与外部扰动的观测,并设计了一种基于积分滑模的固定时间轨迹跟踪控制策略.仿真研究表明,设计的控制方法可在固定时间内使水下机器人-机械手系统末端执行器精...     

基于神经网络的滑模控制在水下机器人中的应用

在水下机器人的控制中,对强耦合非线性运动进行精确建模和解析是极其困难的,本文采用神经网络对水下机器人水动力引起的不确定项和干扰的上限进行自适应逼近学习,然后采用滑模变结构方法对水下机器人航向进行控制,并进行了跟踪仿真和静态水池实验,结果表明:该种控制方法具有一定的效果。     

多翼自治水下机器人动力学建模与姿态控制

为了提高多翼自治水下机器人姿态自主控制的稳定性和控制性能,设计了基于多翼水下机器人全参数控制模型的姿态控制系统.首先对多翼自治水下机器人进行运动学和动力学分析,建立多翼自治水下机器人的全参数运动控制模型;在此基础上建立多翼自治水下机器人整体控制系统,设计基于线性二次型最优控制的多翼自治水下机器人姿态控制器;最后进行多翼自治水下机器人姿态控制仿真实验.结果表明:在给定的外界干扰下,多翼自治水下机器人能够快速稳定跟踪目标姿态,所建立的控制器以及控制模型能够满足多翼水下机器人姿态的自主控制需要,达到设计目标.     

微小型水下航行器广义S型模糊神经网络控制

为提高微小型水下航行器运动控制的机动性和避障能力,提出一种广义S型模糊神经网络(SFNN)控制方法.采用广义Sigmoid函数作为隶属函数,并推导出基于最小扰动的网络学习方法补偿敏感性.与Gauss型模糊神经网络(FNN)进行比较并以"微龙"号水下航行器为研究对象进行了试验研究.结果表明,采用广义SFNN控制,在没有损失整体控制品质和稳定性的情况下,控制系统响应速度大幅度提高,反应能力增强,从而满足微小型水下航行器的实时控制要求.     

基于反步法的欠驱动水下机器人鲁棒定深控制

针对舵桨联动式欠驱动水下机器人定深巡航任务,在运动学阶段设计关于垂向深度差的渐近视线制导角,从而将定深跟踪过程中垂向和俯仰的耦合控制转变为单一可控的俯仰控制,解决水下机器人垂向自由度上欠驱动特性.基于反步法技术在动力学阶段构建全系统李雅普诺夫函数,避免了运动学子系统与动力学子系统合成引起的复杂级联分析,提高了算法的艇载移植性.仿真结果表明:所设计的控制器对未知海流干扰具有一定的鲁棒性,能够确保欠驱动水下机器人准确跟踪期望的深度.     

强跟踪滤波器在AUV执行机构故障诊断中的应用

建立了AUV的推力器及舵等执行机构的偏差型故障模型；引入强跟踪滤波器理论，采用SFEKF算法(一种采用时变渐消因子实现的强跟踪滤波器算法)在线估计AUV状态及执行机构故障偏差，利用贝叶斯决策方法对得到的残差进行分析，实现了AUV执行机构的故障诊断；仿真验证了强跟踪滤波器在AUV执行机构故障诊断中的有效性．     

基于改进粒子滤波算法的水下目标跟踪 

针对复杂水下环境中声探测传感器获得的运动目标信息具有不确定性和模糊性等问题,提出了基于声探测传感器特点的高斯粒子滤波水下目标跟踪方法.基于粒子滤波理论,采用一阶自回归模型作为运动目标状态转移的依据,设计了由目标区域的面积特征和不变矩特征相融合的观测模型,解决了目标跟踪中的粒子权值的选取问题,克服了传统粒子滤波重采样问题,提高了复杂环境下目标跟踪结果的准确率.展示了应用高斯粒子滤波实现水下目标跟踪的过程.试验结果表明,该方法具有较好的鲁棒性和实时性,是复杂水下环境中目标跟踪的一种高效可行的新方法.     

自主式水下机器人的光视觉管道探测跟踪系统

研究了自主式水下机器人（AUV）利用单目光视觉系统对水下管道的检测跟踪问题,对实现该方法的各个过程从硬件组成和软件体系结构两方面进行了阐述,从而完成了一整套水下光视觉系统的软、硬件设计. 分析了水下管道图像的特点,结合该特点阐述了图像预处理过程,提出了一种改进的Hough变换方法,改善了管道边界的提取效果. 同时采用管道参考区域预测方法,提高了管道的检测率以及实时性, 并利用水池试验对系统的可行性和有效性进行了验证.     

基于变预测时域的电动汽车轨迹跟踪控制

针对在不同车速下由于车辆动力学参数改变导致轨迹跟踪的误差变大的问题,研究电动汽车自适应性轨迹跟踪控制器设计.首先,基于模型预测控制(model predictive control,MPC)设计轨迹跟踪控制器,对比分析不同车速下不同预测时域对轨迹跟踪的影响;其次,通过仿真结果,发现不同车速下采用恒定预测时域,轨迹跟踪在不同速度下自适应性变差,易产生较大的跟踪误差;最后,设计了基于车速变化的变预测时域轨迹跟踪控制器.CarSim/MATLAB/Simulink联合仿真结果表明,改进后的轨迹跟踪控制器在不同车速下轨迹跟踪具有良好的控制精度和稳定性.     

基于改进型Camshift和卡尔曼滤波器的车辆跟踪算法

针对车辆跟踪过程中跟踪目标丢失或者失败的情况,提出一种改进型Camshift(Continuously Adaptive Mean Shift)算法和卡尔曼滤波相结合的跟踪方法。首先,利用卡尔曼滤波器实现跟踪目标的位置估计,以克服目标被遮挡造成的跟踪失败的问题,然后再利用改进型Camshift算法依据目标距离搜索中心的位置,对H分量创建的颜色直方图中的每个像素位进行高斯模型核函数的加权处理,并自适应计算得到最优的搜索窗口,从而改善了传统Camshift不能直接抵制噪声干扰的缺点,解决了因跟踪目标在同色背景噪声干扰下出现的丢失问题。最后通过仿真实验表明:改进型Camshift算法和卡尔曼滤波的结合有效地提高了车辆跟踪的准确性和连续性。     

基于误差空间的UUV三维鲁棒跟踪控制研究

针对水下无人航行器(UUV)系统存在非线性和不确定性的特点,采用基于误差空间理论的跟踪控制方法,进行UUV在复杂海洋环境以及自身工作状态和模块配置变化时的空间跟踪控制问题研究. 以海浪干扰下的深度跟踪控制仿真实验分析该控制方法的鲁棒性. 该控制方法的理论基础是结合被跟踪平台的动态过程,以被跟踪平台和跟踪平台的空间误差为状态空间的状态量组成误差空间系统. 由于融合了被跟踪平台的动态过程和跟踪误差,跟踪精度和跟踪能力增加,同时系统的鲁棒性也增强.      

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

利用相位/多普勒频率对机动目标的UAV无源定位系统

针对传统的基于角度及其变化率等UAV机载定位系统作战区域小,精度低,跟踪收敛速度慢等缺点,提出了在相位差及其变化率的基础上引入多普勒频率信息进行UAV机载定位跟踪的新方法。考虑目标不同的运动状态,对模型进行了推导和分析,采用修正协方差的扩展卡尔曼滤波(MVEKF)算法进行数据处理。通过计算机仿真,改变目标的速度,对结果进行了比较。证实将多普勒频率和相位差信息相结合进行定位跟踪时,降低了UAV导航设备的精度与目标未知的初始状态在计算过程中所带来的影响,有效地提高了定位精度与稳定性,扩大了UAV机载平台的任务范围。     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

一种应用于交通环境中的运动车辆跟踪方法

针对利用卡尔曼滤波进行运动车辆跟踪过程复杂的问题,提出了根据相邻两帧车辆的面积重叠率进行运动车辆预测的车辆跟踪方法,该方法提取前后两帧中所有车辆的最小外接矩形框等特征,把与前帧中面积重叠率最大的车辆作为前帧中对应车辆的最佳预测,根据提取的车辆特征进行匹配,从而完成车辆的跟踪。实验结果表明,该车辆跟踪方法的效果较好。