CN106708044A - 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 - Google Patents
基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 Download PDFInfo
- Publication number
- CN106708044A CN106708044A CN201611164791.7A CN201611164791A CN106708044A CN 106708044 A CN106708044 A CN 106708044A CN 201611164791 A CN201611164791 A CN 201611164791A CN 106708044 A CN106708044 A CN 106708044A
- Authority
- CN
- China
- Prior art keywords
- grey
- error
- prediction
- pid
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000004060 metabolic process Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002503 metabolic effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供的是一种基于灰色预测混合遗传算法‑PID全垫升气垫船航向控制方法。用位置参考***测得全垫升气垫船的实际位置,用姿态参考***测得全垫升气垫船的实际艏向姿态;进行灰色误差预测,即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值;PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较,并经过解算得到误差信号用于全垫升气垫船航迹控制***的控制;PID控制器利用混合遗传算法在线整定PID控制器。本发明对气垫船航向控制有很强的适应性,并在各种环境下都能得到很好的效果。能减轻驾驶员的操纵负担,同时提高控制品质。
Description
技术领域
本发明涉及的是一种全垫升气垫船航向控制方法。
背景技术
全垫升气垫船是一种高性能船舶,具有良好的快速性和两栖性,有很广泛的应用领域。但由于***本身的非线性特性,很难获得很好的操纵性。为了控制提高动态特性和获得精确控制规律,提出采用灰色预测的混合遗传算法-PID方法,利用遗传算法在每个采样时间对PID参数进行在线优化整定,同时利用灰色误差预测可以准确预测误差的实时变化趋势,以误差预测值进行PID控制可以起到一种超前控制的作用从而改善气垫船的操纵水平,减轻驾驶员的操纵负担,同时提高控制品质。
发明内容
本发明的目的在于提供一种能满足航迹控制精度、稳定性好的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法。
本发明的目的是这样实现的:
用位置参考***测得全垫升气垫船的实际位置,用姿态参考***测得全垫升气垫船的实际艏向姿态;
进行灰色误差预测,即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值;
PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较,并经过解算得到误差信号用于全垫升气垫船航迹控制***的控制;PID控制器利用混合遗传算法在线整定PID控制器。
本发明还可以包括:
1、所述PID控制器利用混合遗传算法在线整定PID控制器具体包括:
确定每个参数的范围和编码长度进行编码,随机产生n个个体构成初始种群,将种群中各个体解码成对应的参数值,用此参数值求目标函数J及适应函数值f,取f=1/J,采用误差绝对值、误差和误差变化率的加权作为第k个采样时间的第i个个体的参数选择最小目标函数;
J(i)=αp×|errori(i)|+βp|de(i)|
其中αp,βp为位置跟踪误差、误差变化率权值,errori(i)为第k个采样时间第i个个体的位置跟踪误差,de(i)为第k个采样时间第i个个体的位置跟踪误差变化率,采用惩罚功能,即一旦产生超调,将超调量作为最优指标的一项,最优指标为:
if errori(i)<0
J(i)=J(i)+100×I errori(i)I
应用复制、交叉、和变异算子对种群P(t)进行操作,产生下一代种群P(t+1),复制过程中,采用适应度比例法,种群中的第j个个体,被选中进行复制的概率
其中f为第j个个体的适应度,∑f为某代种群中所有个体适应度之和,遗传算法中的交叉概率Pc和变异概率Pm采用随适应度变化的自适应调整方法,Pc和Pm的计算公式
式中fmax为种群中最大的适应度;favg为每代种群的平均适应度;f’为要交叉的两个个体中较大的适应度;f为要变异个体的适应度。
2、灰色误差预测:定义y0(n)为气垫船航向与模型不精确,外界环境扰动灰色序列,定义y1(n)为灰色序列累加数列。对气垫船航向进行实时采样,得到一个连续航向序列y0(0),y0(2),y0(3)...y0(n),所得到了序列为灰色数列,对得到的灰色序列进行累加生成,得到一次生成累加数列y1(1),y1(2),y1(3),y1(4)...yn(n),确定灰色序列累加数列系数矩阵B,模型不精确,外界环境扰动灰色序列系数矩阵YN:
再计算(BTB)-1,再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到:
其中为y1的n+d时刻的灰色估计值,其中d=0,1,2,…,由得到y0的n+d时刻的灰色估计值:
经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向的给定值r一般是不变的,所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为:
3、在进行灰色误差预测之前,先对实际位置和实际艏向姿态进行滤波及融合。
本发明针对全垫升气垫船航向控制技术,提出了一种基于灰色预测混合遗传算法-PID的控制方法,利用遗传算法的寻优特点及灰色误差预测的超前控制特性使气垫船航向控制有很强的适应性,并在各种环境下都能得到很好的效果。本发明的技术特点主要体现在:
1.气垫船的位置和姿态参数的获取:
用位置参考***测得全垫升气垫船的位置信息,用姿态参考***测得全垫升气垫船的艏向姿态数据信息;对获取的全垫升气垫船的姿态及位置信号进行滤波及融合,得到全垫升气垫船的精确位置及姿态。
2.混合遗传算法-PID航向控制器:
由期望的位置及姿态与实际的位置及姿态做比较,并经过解算得到误差信号;并利用混合遗传算法在线整定PID,最终得到全垫升气垫船航迹控制***稳定的控制器。
3.灰色误差预测:
建立新陈代谢模型预测预测未来行为数据,通过将行为预测值与行为的给定值进行比较得到***得超前控制值,达到控制及时,并提高自适应能力。
本发明包括以下有益效果:
1、本发明引入了灰色预测混合遗传算法-PID进行航迹控制器的设计,针对恶劣条件下高速行驶的全垫升气垫船能够满足其航迹控制要求。
2、本发明中全垫升气垫船位置及姿态的获取采用了集成位姿传感器,其精度满足航迹控制需求同时体积小巧更换方便。
3、本发明所述的灰色预测混合遗传算法-PID与常规PID控制器相比具有较好的自适应性和良好的动态调节品质,短的稳定时间体现灰色预测控制的超前控制特性,弥补了全垫升气垫船本身非线性特性使其能够快速稳定的按给定航向航行,具有一定的航向稳定性。
附图说明
图1混合遗传算法-PID控制器设计框图;
图2灰色预测控制框图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明的目的按以下步骤实现:
1.获取气垫船的位置和姿态参数:
用位置参考***测得全垫升气垫船的位置信息,用姿态参考***测得全垫升气垫船的艏向姿态数据信息;对获取的全垫升气垫船的姿态及位置信号进行滤波及融合,得到全垫升气垫船的精确位置及姿态。
2.混合遗传算法-PID航向控制器的航向控制
在附图2中,r为给定航向,e为误差,u为PID控制器输出,y为气垫船实际航向,遗传算法模块的功能为对PID参数进行整定。
确定每个参数的大致范围和编码长度,进行编码;随机产生n个个体构成初始种群;将种群中各个体解码成对应的参数值,用此参数求目标函数J及适应函数值f,取f=1/J。为了获取满意的过渡过程动态特性,并防止产生超调,采用误差绝对值、误差和误差变化率的加权及作为第k个采样时间的第i个个体的参数选择最小目标函数。
J(i)=αp×|errori(i)|+βp|de(i)|
其中αp,βp为位置跟踪误差、误差变化率权值,errori(i)为第k个采样时间第i个个体的位置跟踪误差,de(i)为第k个采样时间第i个个体的位置跟踪误差变化率。为了避免超调,采用了惩罚功能,即一旦产生超调,将超调量作为最优指标的一项,此时最优指标为:
if errori(i)<0
J(i)=J(i)+100×I errori(i)I
应用复制、交叉、和变异算子对种群P(t)进行操作,产生下一代种群P(t+1),复制过程中,采用适应度比例法,种群中的第个个体,它被选中进行复制的概率
其中f为第j个个体的适应度,Σf为某代种群中所有个体适应度之和,遗传算法中的交叉概率Pc和变异概率Pm采用随适应度变化的自适应调整方法,Pc和Pm的计算公式
式中fmax为种群中最大的适应度;favg为每代种群的平均适应度;f’为要交叉的两个个体中较大的适应度;f为要变异个体的适应度。适应度低于平均适应度的个体,采用较大的交叉概率和变异概率;适应度高于平均适应度的个体,采用较小的交叉概率和变异概率。为了保证优化过程尽可能的不进入局部最优,交叉概率和变异概率一般不为零,选取Pcl=0.9,Pc2=0.6,Pm1=0.1,Pm2=0.001。
这样针对每个采样时间,进行PID控制参数的整定,取得更好的控制效果。
3.灰色误差预测
附图2为典型的灰色预测控制定义y0(n)为气垫船航向与模型不精确,外界环境扰动灰色序列,定义y1(n)为灰色序列累加数列。对气垫船航向进行实时采样,得到一个连续航向序列y0(0),y0(2),y0(3)...y0(n),所得到了序列为灰色数列,对得到的灰色序列进行累加生成,得到一次生成累加数列y1(1),y1(2),y1(3),y1(4)...yn(n),确定灰色序列累加数列系数矩阵B,模型不精确,外界环境扰动灰色序列系数矩阵YN:
再计算(BTB)-1,再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到:
其中为y1的n+d时刻的灰色估计值,其中d=0,1,2,…。由得到y0的n+d时刻的灰色估计值:
经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向控制策略中给定量一般是不变的,所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为:
利用灰色误差预测可以准确预测误差的实时变化趋势,以误差预测值进行PID控制可以起到一种超前控制的作用。
Claims (6)
1.一种基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是:
用位置参考***测得全垫升气垫船的实际位置,用姿态参考***测得全垫升气垫船的实际艏向姿态;
进行灰色误差预测,即建立新陈代谢模型、通过实际位置和实际艏向姿态预测未来行为数据得到超前控制值;
PID控制器将输入的期望位置及艏向姿态与灰色误差预测得到的超前控制值做比较,并经过解算得到误差信号用于全垫升气垫船航迹控制***的控制;PID控制器利用混合遗传算法在线整定PID控制器。
2.根据权利要求1所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是所述PID控制器利用混合遗传算法在线整定PID控制器具体包括:
确定每个参数的范围和编码长度进行编码,随机产生n个个体构成初始种群,将种群中各个体解码成对应的参数值,用此参数值求目标函数J及适应函数值f,取f=1/J,采用误差绝对值、误差和误差变化率的加权作为第k个采样时间的第i个个体的参数选择最小目标函数;
J(i)=αp×|errori(i)|+βp|de(i)|
其中αp,βp为位置跟踪误差、误差变化率权值,errori(i)为第k个采样时间第i个个体的位置跟踪误差,de(i)为第k个采样时间第i个个体的位置跟踪误差变化率,采用惩罚功能,即一旦产生超调,将超调量作为最优指标的一项,最优指标为:
if errori(i)<0
J(i)=J(i)+100×I errori(i)I
应用复制、交叉、和变异算子对种群P(t)进行操作,产生下一代种群P(t+1),复制过程中,采用适应度比例法,种群中的第j个个体,被选中进行复制的概率
其中f为第j个个体的适应度,Σf为某代种群中所有个体适应度之和,遗传算法中的交叉概率Pc和变异概率Pm采用随适应度变化的自适应调整方法,Pc和Pm的计算公式
式中fmax为种群中最大的适应度;favg为每代种群的平均适应度;f’为要交叉的两个个体中较大的适应度;f为要变异个体的适应度。
3.根据权利要求1或2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是灰色误差预测:定义y0(n)为气垫船航向与模型不精确,外界环境扰动灰色序列,定义y1(n)为灰色序列累加数列,对气垫船航向进行实时采样,得到一个连续航向序列y0(0),y0(2),y0(3)...y0(n),所得到了序列为灰色数列,对得到的灰色序列进行累加生成,得到一次生成累加数列y1(1),y1(2),y1(3),y1(4)...yn(n),确定灰色序列累加数列系数矩阵B,模型不精确,外界环境扰动灰色序列系数矩阵YN:
再计算(BTB)-1,再根据最小二乘法求参数列其中确定误差变化模型然后对其微分方程进行求解到:
其中为y1的n+d时刻的灰色估计值,其中d=0,1,2,…,由得到y0的n+d时刻的灰色估计值:
经以上步骤利用灰色序列得到航向的当前采时刻的下d个时刻的灰色估计值因为航向控制策略中给定量是不变的,所以航向的当前采样时刻的下d个采时问的误差估计值最后表示为:
4.根据权利要求1或2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是:在进行灰色误差预测之前,先对实际位置和实际艏向姿态进行滤波及融合。
5.根据权利要求3所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是:在进行灰色误差预测之前,先对实际位置和实际艏向姿态进行滤波及融合。
6.根据权利要求2所述的基于灰色预测混合遗传算法-PID全垫升气垫船航向控制方法,其特征是:选取Pcl=0.9,Pc2=0.6,Pm1=0.1,Pm2=0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164791.7A CN106708044A (zh) | 2016-12-16 | 2016-12-16 | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164791.7A CN106708044A (zh) | 2016-12-16 | 2016-12-16 | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106708044A true CN106708044A (zh) | 2017-05-24 |
Family
ID=58938885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611164791.7A Pending CN106708044A (zh) | 2016-12-16 | 2016-12-16 | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106708044A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646797A (zh) * | 2018-04-27 | 2018-10-12 | 宁波工程学院 | 一种基于遗传优化的多线切割机张力控制方法 |
CN109668326A (zh) * | 2019-01-10 | 2019-04-23 | 广东盈科电子有限公司 | 一种基于pid算法的即热式动态温控制方法 |
CN110398961A (zh) * | 2019-07-09 | 2019-11-01 | 哈尔滨工程大学 | 一种气垫船航迹保持舵桨协同控制与分配方法 |
CN112344535A (zh) * | 2020-11-18 | 2021-02-09 | 珠海格力电器股份有限公司 | 新风控制方法、计算机装置以及计算机可读存储介质 |
CN112462797A (zh) * | 2020-11-30 | 2021-03-09 | 深圳技术大学 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
CN117008464A (zh) * | 2023-10-07 | 2023-11-07 | 广东海洋大学 | 一种基于姿态控制的无人船导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523951A (en) * | 1991-09-06 | 1996-06-04 | The United States Of America As Represented By The Secretary Of The Navy | System and method for automatic ship steering |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN103223938A (zh) * | 2013-05-06 | 2013-07-31 | 西北工业大学 | 一种用于飞机电刹车无刷直流电机的灰色滑模控制方法 |
CN105197200A (zh) * | 2015-09-24 | 2015-12-30 | 哈尔滨工程大学 | 一种基于航迹引导的气垫船进坞过程自动控制***及控制方法 |
-
2016
- 2016-12-16 CN CN201611164791.7A patent/CN106708044A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523951A (en) * | 1991-09-06 | 1996-06-04 | The United States Of America As Represented By The Secretary Of The Navy | System and method for automatic ship steering |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN103223938A (zh) * | 2013-05-06 | 2013-07-31 | 西北工业大学 | 一种用于飞机电刹车无刷直流电机的灰色滑模控制方法 |
CN105197200A (zh) * | 2015-09-24 | 2015-12-30 | 哈尔滨工程大学 | 一种基于航迹引导的气垫船进坞过程自动控制***及控制方法 |
Non-Patent Citations (2)
Title |
---|
丁福光等: "基于模糊PID串级控制的航迹保持方法", 《船舶工程》 * |
施小成等: "灰色预测GA-PID全垫升气垫船航向控制", 《计算机仿真》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646797A (zh) * | 2018-04-27 | 2018-10-12 | 宁波工程学院 | 一种基于遗传优化的多线切割机张力控制方法 |
CN109668326A (zh) * | 2019-01-10 | 2019-04-23 | 广东盈科电子有限公司 | 一种基于pid算法的即热式动态温控制方法 |
CN110398961A (zh) * | 2019-07-09 | 2019-11-01 | 哈尔滨工程大学 | 一种气垫船航迹保持舵桨协同控制与分配方法 |
CN112344535A (zh) * | 2020-11-18 | 2021-02-09 | 珠海格力电器股份有限公司 | 新风控制方法、计算机装置以及计算机可读存储介质 |
CN112462797A (zh) * | 2020-11-30 | 2021-03-09 | 深圳技术大学 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
CN112462797B (zh) * | 2020-11-30 | 2023-03-07 | 深圳技术大学 | 一种利用灰色预测模型的视觉伺服控制方法及*** |
CN117008464A (zh) * | 2023-10-07 | 2023-11-07 | 广东海洋大学 | 一种基于姿态控制的无人船导航方法 |
CN117008464B (zh) * | 2023-10-07 | 2023-12-15 | 广东海洋大学 | 一种基于姿态控制的无人船导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106708044A (zh) | 基于灰色预测混合遗传算法‑pid全垫升气垫船航向控制方法 | |
CN110568758B (zh) | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 | |
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及*** | |
CN102129259B (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制***和方法 | |
CN113120001A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
CN111538241B (zh) | 一种平流层飞艇水平轨迹智能控制方法 | |
WO2020000192A1 (en) | Method for providing vehicle trajectory prediction | |
CN112550314B (zh) | 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制*** | |
CN110490275A (zh) | 一种基于迁移学习的驾驶行为预测方法 | |
CN114852105A (zh) | 一种自动驾驶车辆换道轨迹规划方法及*** | |
CN115016534A (zh) | 一种基于记忆增强学习的无人机自主避障导航方法 | |
CN113911172A (zh) | 一种基于自适应动态规划的高速列车优化运行控制方法 | |
CN110147098A (zh) | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 | |
CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
CN113467470A (zh) | 一种无人自主小车的轨迹跟踪控制方法 | |
CN114253274B (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
CN113741464A (zh) | 一种基于时空数据强化学习的自动驾驶速度控制框架 | |
CN114527795B (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
CN114841635A (zh) | 一种考虑船舶水下辐射声的生态航线规划方法 | |
CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策*** | |
CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 | |
CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及*** | |
CN114326709A (zh) | 一种基于模型预测控制的具有预览特性的智能车辆路径跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |