基于Hamilton理论的无人车路径跟踪控制

针对当前车辆路径跟踪控制存在精度低、可靠性差的问题,基于Hamilton理论提出一种四轮驱动四轮转向无人车路径跟踪分层控制方法.通过集成车辆动力学模型和路径跟踪模型,建立了路径跟踪误差模型,结合系统控制目标,提出采用Hamilton理论设计车辆上层控制器,用于实现路径跟踪误差模型的镇定,从而提高车辆路径跟踪的精度与鲁棒性.同时,在下层控制器中,设计4个车轮纵向轮胎力分配算法,通过轮胎力的动态分配满足车辆上层控制需求.利用CarSim和Simulink搭建车辆路径跟踪联合仿真模型并进行仿真实验,仿真结果表明,提出的无人车路径跟踪分层控制策略能够通过前后轮转角以及4个轮胎力的实时控制与分配,抑制路径跟踪过程中的横向误差和航向误差,提高路径跟踪精度并确保控制系统的可靠性.      

GPS/SST/SINS组合导航系统研究

提出了卫星/捷联星光/捷联惯导组合导航系统的方案和组合结构,采用改进的集中滤波对多传感器信息进行数据融合和导航状态的最优估计.该组合导航系统将捷联星光跟踪仪的姿态信息、高动态GPS的位置、速度信息与捷联惯导进行组合滤波,全面提高导航的姿态、速度和位置精度.同时该组合导航系统以弹道导弹为应用对象,设计并实现了基于弹道导弹的GPS/SST/SINS组合导航系统实时仿真平台,仿真结果表明该组合导航系统能提高导弹的导航精度,滤波算法稳定可靠.     

仅有角度信息的红外多传感器异步目标跟踪

跟踪机动目标,红外单站有不少缺陷,多站可以提供比单站多的信息。然而,多站存在同步的问题。通过对状态更新过程的分析,发现跟踪可以异步实现。多站采用异步的处理方式极大的灵活了数据的处理,而且可以通过多站组网扩大跟踪范围。为解决系统方程的非线性,采用伪线性观测方程。仿真结果表明本方法可以实现对空中目标的稳定跟踪,且观测站增加可以提高精度。     

基于修正扩展卡尔曼序贯滤波的信息融合算法

针对基于扩展卡尔曼滤波的融合算法存在滤波精度不高的问题,将修正扩展卡尔曼滤波算法与集中式序贯融合算法相结合,用于毫米波雷达和红外传感器目标融合跟踪。即先对毫米波雷达进行修正扩展卡尔曼滤波,再将滤波结果与红外传感器进行融合滤波。仿真结果表明该算法能够提高对机动目标的跟踪精度,增强跟踪系统对环境变化的适应能力。     

基于小波多分辨率分析的机动目标跟踪算法

研究了一种基于多分辨率分解的机动目标跟踪算法,该算法利用小波中的经典算法——Mallat算法对单一分辨率的量测数据进行多尺度分解,将分解得到的多分辨率量测数据用于目标状态更新。仿真结果表明,该算法具有较好的跟踪性能。     

基于LQR和PID的智能车轨迹跟踪控制算法设计与仿真

为了提高智能车轨迹跟踪的精度及鲁棒性,提出了基于线性二次调节器(LQR)和比例-积分-微分(PID)算法的横纵向控制策略。首先建立了车辆二自由度动力学模型和轨迹跟踪误差模型;其次设计了横向LQR控制算法的轨迹跟踪控制器和纵向双PID控制算法的速度跟踪控制器,并采用遗传算法对横向LQR控制的关键参数进行了确定。通过CarSim和Simulink对其控制算法进行低速、中速和高速三种工况的仿真,仿真结果表明：该横纵向控制算法在轨迹跟踪时的距离偏差小于0.05 m,前轮转角以及横摆角速度变化较为平稳,保证了轨迹跟踪的精度和较好的稳定性,在一定程度上提升了乘员的舒适性。     

基于UniTire轮胎模型的汽车行驶速度估计

准确而实时地获取车速信息是汽车实现高精度定位与导航、高级巡航控制和编队巡航控制等功能的必要前提,文中提出一种基于UniTire轮胎模型的汽车行驶速度估计方法.首先,基于UniTire轮胎模型建立包含汽车纵向、侧向和横摆动态的车速估计名义模型,并利用自适应遗传算法的全局搜索优势和拟牛顿法的局部搜索优势辨识出UniTire...     

图像目标的可视识别与智能跟踪

本文研究图像目标的可视识别与跟踪,给出了图像目标识别印章模型和系统总体设计方案。在此基础上,采用智能跟踪算法,实现了正常跟踪、判断、预测和记忆跟踪的功能,而且跟踪方式随着环境条件的变化而变化。正常跟踪算法的图像代数描述是简明的,与算法是内在一致的。通过给出两个实时可视跟踪的实例说明在实时ＤＳＰ可视跟踪系统上算法的性能及其可行性。     

基于改进粒子滤波的微弱目标检测前跟踪算法

研究高速微弱目标的积累检测问题,提出了一种改进粒子滤波的检测前跟踪算法。该算法采用与雷达距离-多普勒图像相匹配的量测数据模型,能克服传统点扩散函数的模型误差。采用“新生”粒子从强度最高的分辨单元集内均匀产生,且按概率对权重最低的部分“存活”粒子用“新生”粒子将其替换的粒子更新策略,在增加粒子多样性的同时缓解了粒子的退化。仿真实验表明,本文算法的检测与跟踪性能要优于标准的粒子滤波算法。     

多目标跟踪

本文提出了一种多机动目标跟踪的方法。该方法用自适应门限获得二值图像，其中，自适应门限用边缘和灰度二重信息来建立，并对由此所获得的二值图像进行预处理。在此基础上，利用目标像素点的空间信息，使用标记电路，检测有效视场内的目标个数。同时利用目标形状特征和灰度信息对目标进行分类；利用目标运动信息，对各个目标进行识别，解决短时间的目标遮挡、重叠等问题。文章也给出了实时实现该方法的硬件框图和部分软件工作流程。该方法已应用于多模式电视跟踪器，取得了预期效果。