CN111703432A - 一种智能履带车辆滑动参数实时估计方法 - Google Patents
一种智能履带车辆滑动参数实时估计方法 Download PDFInfo
- Publication number
- CN111703432A CN111703432A CN202010594768.1A CN202010594768A CN111703432A CN 111703432 A CN111703432 A CN 111703432A CN 202010594768 A CN202010594768 A CN 202010594768A CN 111703432 A CN111703432 A CN 111703432A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracked vehicle
- tracked
- sliding
- parameters
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于前向轨迹预测补偿的双重无迹卡尔曼滤波(DUKF)智能履带车辆滑动参数实时估计方法,属于智能履带车辆参数估计技术领域。该方法包括:步骤1,建立基于瞬时转向中心的履带车辆运动学模型;步骤2,根据传感器采集的车辆历史状态信息;步骤3,根据传感器采集的车辆当前时刻状态信息;步骤4,将步骤3得到的车辆瞬时转向中心转向极偏移量作为补偿,结合步骤2中初步估计的履带车辆滑动参数即可得到最终的履带车辆滑动参数。本发明不仅能够实时估计履带车辆滑动参数,而且利用DUKF对车辆未来的相对位姿进行滑动参数估计进而对初步估计的滑动参数进行补偿,提升了滑动参数估计的精度与车辆模型的准确性。
Description
技术领域
本发明涉及智能履带车辆参数估计技术领域,特别是涉及一种智能履带车辆滑动参数实时估计方法。
背景技术
智能车辆作为智能交通系统和未来战斗系统的一个重要组成部分,在民用、军用和太空领域有着广阔的应用前景。随着车载计算设备能力的增强与无人控制技术的逐步完善,智能履带车辆在越野环境下的需求正在增长。履带车辆有良好的通过性与机动性,对于复杂的越野环境有很强的适应能力,是在越野环境下进行无人车辆研究的可靠平台。
但是对于滑动转向的履带车辆,由于履带与地面之间的相互作用力很复杂,建立精确的车辆模型很困难。无论是无人驾驶基于前向预测的路径规划还是给定一段控制序列对车辆进行横向控制都十分依赖履带车辆模型,不准确的模型将导致预测的轨迹或车辆的行驶轨迹与原路径具有较大的误差。常见的解决方案是建立与滑动参数有关的车辆模型,对滑动参数进行估计。现有的一些履带车辆滑动参数估计方法也会因为线性化处理导致模型在非线性较强时误差不能收敛,导致模型不准确。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于前向轨迹预测补偿的DUKF智能履带车辆滑动参数实时估计方法来克服现有技术的上述缺陷,本发明不仅能够实时估计履带车辆滑动参数,而且利用DUKF对车辆未来的相对位姿进行滑动参数估计进而对初步估计的滑动参数进行补偿,提升了滑动参数估计的精度与车辆模型的准确性。
为实现上述目的,本发明提供了如下技术方案:一种智能履带车辆滑动参数实时估计方法,包括如下步骤:
步骤1,建立基于瞬时转向中心的履带车辆运动学模型;
步骤2,根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数;
步骤3,将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数。
作为本发明的进一步改进,所述步骤1中,建立基于瞬时转向中心的履带车辆运动学模型具体为:
其中:
式中,x、y分别为车辆的横纵坐标,θ、β、γ分别为车辆的横摆角、俯仰角和侧倾角,Vx、Vy分别为车辆纵向速度与横向速度,ω为车辆横摆角速度,xc为车辆瞬时转向中心,yl、yr分别为左右侧履带瞬时转向中心,vl、vr分别为车辆左右侧履带接地段纵向速度。
作为本发明的进一步改进,所述步骤2中,所述根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数具体步骤为:
步骤21,令滑动参数Rh=(yl,yr,xc)T作为非线性履带车辆系统的状态向量,系统输入为u=(vl,vr,θ,β,γ)T,观测量为Z=(Δx,Δy),预测量为Zh=(Δxh,Δyh),系统输入u为车辆历史状态信息,观测量Z为每个采样间隔车辆历史位姿的变化量;预测量Zh为每个采样间隔将已选取的Sigma点、车辆历史状态信息与滑动参数Rh输入车辆运动学模型得到的相对位姿变化量。利用UKF算法处理预测量Zh、观测量Z与非线性履带车辆系统的状态向量Rh,通过迭代运算初步估计履带车辆滑动参数yl、yr、xc
步骤22,由已选取的Sigma点、车辆历史状态信息与滑动参数Rh输入车辆运动学模型预测车辆历史时刻的相对位姿预测,即计算预测量Zh=(Δxh,Δyh):
其中:
式中,Δt为系统采样时间;
步骤23,利用UKF算法处理测量预测量Zh、观测量Z与非线性履带车辆系统的状态向量Rh,通过迭代运算初步估计履带车辆滑动参数yl、yr、xc。
作为本发明的进一步改进,所述步骤3中,将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数具体步骤为:
步骤31,令滑动参数作为非线性履带车辆系统的状态向量,下层UKF迭代初值Rp0=Rh,系统输入为up=(vl,vr,θ,β,γ)T,观测量为z=(Δxpv,Δypv),预测量zp=(ΔxpR,ΔypR),系统输入up为车辆当前时刻的状态信息,观测量z为利用车辆当前时刻绝对速度与横摆角速度来预测未来一段采样间隔内车辆位姿的变化量,预测量zp为将已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp输入车辆运动学模型得到未来一段采样间隔内相对位姿变化量,再次利用UKF算法处理测量预测量zh、观测量z与非线性履带车辆系统的状态向量Rp,通过迭代运算估计补偿后的履带车辆滑动参数xcp;步骤32,利用车辆当前时刻的绝对速度与横摆角速度来预测未来一段采样时间内车辆位姿的变化量,即计算观测量z:
θk=ωv*k*Δt+θ0
式中,V、ωv分别为传感器测得的当前时刻车辆绝对速度与角速度,θ0为车辆初始横摆角,θk为预测的第k个采样时间车辆横摆角;
步骤33,由已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp通过车辆运动学模型预测未来一段采样时间内相对位姿变化量,即预测量zp:
其中:
本发明的有益效果,不仅能够实时估计履带车辆滑动参数,而且利用DUKF对车辆未来的相对位姿进行滑动参数估计进而对初步估计的滑动参数进行补偿,提升了滑动参数估计的精度与车辆模型的准确性,同时根据传感器采集的车辆当前时刻状态信息,实现数据的实时性,因而边能够更好的实现实时估计了。
附图说明
图1为本发明实现智能车辆横向控制的总体框架图;
图2为本发明提出的履带车辆模型。
具体实施方式
下面结合附图以及具体实施例对本发明做进一步的说明。
一种基于前向轨迹预测补偿的DUKF智能履带车辆滑动参数实时估计方法,如图1所示,所述一种基于前向轨迹预测补偿的DUKF智能履带车辆滑动参数实时估计方法包括以下步骤:
步骤1,建立基于瞬时转向中心的履带车辆运动学模型;
步骤2,根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数;
步骤3,将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数。
进一步地,所述步骤1中,所述建立基于瞬时转向中心的履带车辆运动学模型具体为:
其中:
式中,x、y分别为车辆的横纵坐标,θ、β、γ分别为车辆的横摆角、俯仰角和侧倾角,Vx、Vy分别为车辆纵向速度与横向速度,ω为车辆横摆角速度,xc为车辆瞬时转向中心,yl、yr分别为左右侧履带瞬时转向中心,vl、vr分别为车辆左右侧履带接地段纵向速度。
进一步地,所述步骤2中,所述根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数具体为:
步骤21,令滑动参数Rh=(yl,yr,xc)T作为非线性履带车辆系统的状态向量,系统输入为u=(vl,vr,θ,β,γ)T,观测量为Z=(Δx,Δy),预测量为Zh=(Δxh,Δyh),系统输入u为车辆历史状态信息,观测量Z为每个采样间隔车辆历史位姿变化量;预测量Zh为每个采样间隔将已选取的Sigma点、车辆历史状态信息与滑动参数Rh输入车辆运动学模型得到的相对位姿变化量,利用UKF算法处理测量预测量Zh、观测量Z与非线性履带车辆系统的状态向量Rh,通过迭代运算初步估计履带车辆滑动参数yl、yr、xc,UKF算法如下:
令x=Rh,初始均值和方差为:
通过加权得到状态与方差的一步预测值:
其中:
式中,Wi m与Wi c分别为均值、方差的权,β包含x先验分布的高阶矩信息,对于高斯分布,β=2是最优的;
由已选取的Sigma点、车辆历史状态信息与滑动参数R输入车辆运动学模型预测得到的车辆历史时刻的相对位姿变化量,即计算预测量Zh=(Δxh,Δyh):
其中:
式中,Δt为系统采样时间;
通过加权得到系统的一步预测观测值:
量测更新。求系统输出的方差阵与协方差矩阵:
式中,R为测量噪声协方差;
更新滤波协方差阵与系统状态:
Rh=x=(yl,yr,xc)T;
进一步地,所述步骤3中,所述将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数。具体为:
步骤31,令滑动参数作为非线性履带车辆系统的状态向量,下层UKF迭代初值Rp0=Rh,系统输入为up=(vl,vr,θ,β,γ)T,观测量为z=(Δxpv,Δypv),预测量zp=(ΔxpR,ΔypR),系统输入up为车辆当前时刻的状态信息,观测量z为利用车辆当前时刻绝对速度与横摆角速度来预测未来一段采样间隔内车辆位姿的变化量,预测量zp为将已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp输入车辆运动学模型得到未来一段采样时间内相对位姿变化量,再次利用上文所述的UKF算法处理测量预测量zh、观测量z与非线性履带车辆系统的状态向量Rp,通过迭代运算估计补偿后的履带车辆滑动参数 xcp。;
步骤32,利用车辆当前时刻的绝对速度与横摆角速度来预测未来一段采样时间内车辆位姿的变化量,即计算观测量z:
θk=ωv*k*Δt+θ0
式中,V、ωv分别为传感器测得的当前时刻车辆绝对速度与角速度,θ0为车辆初始横摆角,θk为预测的第k个采样时间车辆横摆角;
由已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp输入车辆运动学模型预测未来一段采样时间内相对位姿变化量,即预测量zp:
其中:
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种智能履带车辆滑动参数实时估计方法,其特征在于:包括如下步骤:
步骤1,建立基于瞬时转向中心的履带车辆运动学模型;
步骤2,根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数;
步骤3,将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数。
3.根据权利要求1或2所述的智能履带车辆滑动参数实时估计方法,其特征在于:所述步骤2中,所述根据传感器采集的车辆历史状态信息,利用所述基于瞬时转向中心的履带车辆运动学模型预测车辆历史时刻的相对位姿变化量,并将其与车辆历史位姿信息同时输入UKF进行迭代运算初步估计履带车辆滑动参数具体步骤为:
步骤21,令滑动参数Rh=(yl,yr,xc)T作为非线性履带车辆系统的状态向量,系统输入为u=(vl,vr,θ,β,γ)T,观测量为Z=(Δx,Δy),预测量为Zh=(Δxh,Δyh),系统输入u为车辆历史状态信息,观测量Z为每个采样间隔车辆历史位姿的变化量;预测量Zh为每个采样间隔将已选取的Sigma点、车辆历史状态信息与滑动参数Rh输入车辆运动学模型得到的相对位姿变化量。利用UKF算法处理预测量Zh、观测量Z与非线性履带车辆系统的状态向量Rh,通过迭代运算初步估计履带车辆滑动参数yl、yr、xc
步骤22,由已选取的Sigma点、车辆历史状态信息与滑动参数Rh输入车辆运动学模型预测车辆历史时刻的相对位姿预测,即计算预测量Zh=(Δxh,Δyh):
其中:
式中,Δt为系统采样时间;
步骤23,利用UKF算法处理测量预测量Zh、观测量Z与非线性履带车辆系统的状态向量Rh,通过迭代运算初步估计履带车辆滑动参数yl、yr、xc。
4.根据权利要求1或2所述的智能履带车辆滑动参数实时估计方法,其特征在于:所述步骤3中,将步骤2初步估计的履带车辆滑动参数作为第二层UKF的初值,并根据传感器采集的车辆当前时刻状态信息,分别利用车辆绝对速度与所述基于瞬时转向中心的履带车辆运动学模型预测车辆未来时刻的相对位姿变化量,将两者同初步估计的滑动参数一起输入第二层UKF进行迭代运算得到最终的履带车辆滑动参数具体步骤为:
步骤31,令滑动参数作为非线性履带车辆系统的状态向量,下层UKF迭代初值Rp0=Rh,系统输入为up=(vl,vr,θ,β,γ)T,观测量为z=(Δxpv,Δypv),预测量zp=(ΔxpR,ΔypR),系统输入up为车辆当前时刻的状态信息,观测量z为利用车辆当前时刻绝对速度与横摆角速度来预测未来一段采样间隔内车辆位姿的变化量,预测量zp为将已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp输入车辆运动学模型得到未来一段采样间隔内相对位姿变化量,再次利用UKF算法处理测量预测量zh、观测量z与非线性履带车辆系统的状态向量Rp,通过迭代运算估计补偿后的履带车辆滑动参数xcp;
步骤32,利用车辆当前时刻的绝对速度与横摆角速度来预测未来一段采样时间内车辆位姿的变化量,即计算观测量z:
θk=ωv*k*Δt+θ0
式中,V、ωv分别为传感器测得的当前时刻车辆绝对速度与角速度,θ0为车辆初始横摆角,θk为预测的第k个采样时间车辆横摆角;
步骤33,由已选取的Sigma点、车辆当前时刻的状态信息up与滑动参数Rp通过车辆运动学模型预测未来一段采样时间内相对位姿变化量,即预测量zp:
其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594768.1A CN111703432B (zh) | 2020-06-28 | 2020-06-28 | 一种智能履带车辆滑动参数实时估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010594768.1A CN111703432B (zh) | 2020-06-28 | 2020-06-28 | 一种智能履带车辆滑动参数实时估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111703432A true CN111703432A (zh) | 2020-09-25 |
CN111703432B CN111703432B (zh) | 2022-12-20 |
Family
ID=72542796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010594768.1A Active CN111703432B (zh) | 2020-06-28 | 2020-06-28 | 一种智能履带车辆滑动参数实时估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111703432B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355954A (zh) * | 2022-03-21 | 2022-04-15 | 北京理工大学 | 一种无人履带车辆转向过程的跟踪控制方法和系统 |
CN114415522A (zh) * | 2022-03-29 | 2022-04-29 | 北京理工大学 | 一种履带车辆平台路径跟踪控制方法及系统 |
CN114510063A (zh) * | 2022-04-06 | 2022-05-17 | 北京理工大学 | 一种无人履带车辆及其轨迹跟踪控制方法和系统 |
WO2022227460A1 (zh) * | 2021-04-27 | 2022-11-03 | 深圳市商汤科技有限公司 | 位姿预测方法、装置、电子设备及存储介质 |
CN117068185A (zh) * | 2023-10-18 | 2023-11-17 | 中汽研(天津)汽车工程研究院有限公司 | 履带车辆轨迹预测方法、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132664A (zh) * | 2014-07-18 | 2014-11-05 | 安徽农业大学 | 一种农用履带机器人滑动量的估计方法 |
CN104354700A (zh) * | 2014-11-03 | 2015-02-18 | 武汉理工大学 | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
JP2018111447A (ja) * | 2017-01-13 | 2018-07-19 | 株式会社Ihi | 走行制御装置及び走行制御方法 |
CN110576859A (zh) * | 2018-05-21 | 2019-12-17 | 迪尔公司 | 用于轮式或履带式机械的基于惯性测量单元的牵引力控制 |
-
2020
- 2020-06-28 CN CN202010594768.1A patent/CN111703432B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132664A (zh) * | 2014-07-18 | 2014-11-05 | 安徽农业大学 | 一种农用履带机器人滑动量的估计方法 |
CN104354700A (zh) * | 2014-11-03 | 2015-02-18 | 武汉理工大学 | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 |
CN106515740A (zh) * | 2016-11-14 | 2017-03-22 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
JP2018111447A (ja) * | 2017-01-13 | 2018-07-19 | 株式会社Ihi | 走行制御装置及び走行制御方法 |
CN110576859A (zh) * | 2018-05-21 | 2019-12-17 | 迪尔公司 | 用于轮式或履带式机械的基于惯性测量单元的牵引力控制 |
Non-Patent Citations (5)
Title |
---|
周波等: "野外移动机器人滑动效应的在线建模和跟踪控制", 《机器人》 * |
张志勇等: "基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计", 《机械工程学报》 * |
焦俊等: "基于UKF的农用履带机器人滑动参数估计", 《农业机械学报》 * |
熊光明等: "基于滑动参数实时估计的履带车辆运行轨迹预测方法研究", 《兵工学报》 * |
赵梓烨等: "分布式电驱动无人高速履带车辆越野环境轨迹预测方法研究", 《兵工学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227460A1 (zh) * | 2021-04-27 | 2022-11-03 | 深圳市商汤科技有限公司 | 位姿预测方法、装置、电子设备及存储介质 |
CN114355954A (zh) * | 2022-03-21 | 2022-04-15 | 北京理工大学 | 一种无人履带车辆转向过程的跟踪控制方法和系统 |
CN114415522A (zh) * | 2022-03-29 | 2022-04-29 | 北京理工大学 | 一种履带车辆平台路径跟踪控制方法及系统 |
CN114510063A (zh) * | 2022-04-06 | 2022-05-17 | 北京理工大学 | 一种无人履带车辆及其轨迹跟踪控制方法和系统 |
CN114510063B (zh) * | 2022-04-06 | 2022-07-15 | 北京理工大学 | 一种无人履带车辆及其轨迹跟踪控制方法和系统 |
CN117068185A (zh) * | 2023-10-18 | 2023-11-17 | 中汽研(天津)汽车工程研究院有限公司 | 履带车辆轨迹预测方法、设备和介质 |
CN117068185B (zh) * | 2023-10-18 | 2024-01-02 | 中汽研(天津)汽车工程研究院有限公司 | 履带车辆轨迹预测方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111703432B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111703432B (zh) | 一种智能履带车辆滑动参数实时估计方法 | |
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN109799814B (zh) | 基于运动学模型的履带无人车辆轨迹跟踪控制器设计方法 | |
CN105867377A (zh) | 一种农业机械自动导航控制方法 | |
CN107015238A (zh) | 基于三维激光雷达的无人车自主定位方法 | |
CN109115225A (zh) | 一种无人作业谷物联合收割机导航方法与导航装置 | |
CN108646763A (zh) | 一种自主行驶轨迹跟踪控制方法 | |
CN110530361B (zh) | 基于农业机械双天线gnss自动导航系统的转向角度估计器 | |
US20210240192A1 (en) | Estimation method and estimator for sideslip angle of straight-line navigation of agricultural machinery | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN111142091A (zh) | 一种融合车载信息的自动驾驶系统激光雷达在线标定方法 | |
CN110262479A (zh) | 一种履带式拖拉机运动学估计及偏差校准方法 | |
Qin et al. | An improved real-time slip model identification method for autonomous tracked vehicles using forward trajectory prediction compensation | |
CN110716565B (zh) | 一种履带式车辆导航轨迹跟踪控制系统 | |
CN108733055A (zh) | 一种多传感器数据融合的方法及agv导航定位装置 | |
CN111189454A (zh) | 基于秩卡尔曼滤波的无人车slam导航方法 | |
CN114115274A (zh) | 一种农用轮式拖拉机路径跟踪输出反馈控制策略 | |
Ge et al. | Robust adaptive sliding mode control for path tracking of unmanned agricultural vehicles | |
CN116560223A (zh) | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 | |
CN114912061A (zh) | 一种面向商用车车道保持辅助系统的精准测评方法 | |
CN113008229B (zh) | 一种基于低成本车载传感器的分布式自主组合导航方法 | |
CN110654386B (zh) | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 | |
Azizi et al. | Mobile robot position determination using data from gyro and odometry | |
CN110723207B (zh) | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 | |
CN116527515A (zh) | 基于轮询协议的远程状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |