CN113625551A - 一种时变车辆系统的实时跟踪迭代学习控制系统及方法 - Google Patents
一种时变车辆系统的实时跟踪迭代学习控制系统及方法 Download PDFInfo
- Publication number
- CN113625551A CN113625551A CN202110934241.3A CN202110934241A CN113625551A CN 113625551 A CN113625551 A CN 113625551A CN 202110934241 A CN202110934241 A CN 202110934241A CN 113625551 A CN113625551 A CN 113625551A
- Authority
- CN
- China
- Prior art keywords
- vehicle system
- time
- matrix
- control
- under
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 116
- 239000000126 substance Substances 0.000 claims description 17
- 230000003190 augmentative effect Effects 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000003416 augmentation Effects 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Vehicle Body Suspensions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种时变车辆系统的实时跟踪迭代学习控制系统及方法,其中,目标轨迹确定模块,用于确定所述车辆系统的预期目标轨迹;增益矩阵确定模块用于确定控制协议对应增益矩阵;获取模块用于获取所述车辆系统在当前迭代下的位置,从而得到其在当前迭代下的跟踪误差;控制模块用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统。通过上述系统及方法,能够克服车辆系统时变动态特性带来的影响,使得Markov参数矩阵不满秩的任意线性时变车辆系统在有限时间段内的所有时刻均能实时跟踪可跟踪的目标轨迹,并具有极高的跟踪精度。
Description
技术领域
本发明涉及控制技术领域,特别涉及一种时变车辆系统的实时跟踪迭代学习控制系统及方法。
背景技术
目前,车辆系统的实时跟踪控制问题在实际应用中受到了广泛的关注。随着车辆系统结构的日益复杂化,以及对于车辆系统自主控制要求的日益提高,利用智能控制方法为车辆系统设计高精度控制算法成为一种趋势。针对车辆系统的跟踪控制目标,多数智能控制方法仅能完成车辆系统的稳态跟踪任务。然而,在实际应用中,车辆系统往往需要保持对期望轨迹的实时跟踪,以实现特定目标。为了满足上述需求,迭代学习控制方法被引入车辆系统的跟踪控制算法设计中,其能保证车辆系统在精确模型未知的情况下实现实时跟踪目标。但是,实际情况中,车辆系统往往会受到环境的影响,其对应系统矩阵通常是时变的,同时其对应非零Markov参数矩阵通常不满足满秩条件。
传统的迭代学习控制方法通常不考虑具有时变动态特性的车辆系统,同时,其仅适用于车辆系统对应非零Markov参数矩阵满足满秩条件的场景,因此具有很大的局限性,无法满足实际控制的要求。
发明内容
针对现有技术中的不足,本发明提出了一种时变车辆系统的实时跟踪迭代学习控制系统及方法,该方法能够使具有时变动态特性且非零Markov参数矩阵不满足满秩条件的车辆系统实现对于可跟踪预期目标轨迹的实时跟踪任务。
本发明的技术方案如下:
一种时变车辆系统的实时跟踪迭代学习控制系统,该控制系统包括:
目标轨迹确定模块1、增益矩阵确定模块2、获取模块3以及控制模块4;其中,
所述目标轨迹确定模块1用于确定所述车辆系统的预期目标轨迹;
所述增益矩阵确定模块2用于获取车辆系统对应系统矩阵,得到对应块Toeplitz矩阵,并确定车辆系统控制协议对应增益矩阵;
所述获取模块3用于获取所述车辆系统在当前迭代下的位置和跟踪误差;
所述控制模块4用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选增益矩阵更新下次迭代时车辆系统的控制输入,并控制所述车辆系统。
优选的,所述车辆系统具有如下的时变动态特性:
其中,t为运行时刻,t∈{0,1,2,…,T},T为运行周期,为迭代次数;xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、输入以及位置;A(t)、B(t)及C(t)为车辆系统在t时刻对应时变系统矩阵。
优选的,所述目标轨迹确定模块1根据跟踪要求,人为输入预期目标轨迹,如下:
yd(t),t∈{1,2,…,T}。
优选的,所述增益矩阵确定模块2中,
其中p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m,构造与G具有相同生成空间的矩阵选择车辆系统控制协议对应的增益矩阵为其中且满足谱半径条件其中ρ表示矩阵的谱半径,I表示具有合适维数的单位矩阵。
优选的,所述获取模块3通过车辆系统上的传感器装置获取车辆系统当前时刻的位置,从而获取车辆系统当前时刻的跟踪误差。
优选的,所述控制模块4包括控制量确定单元41和位置控制单元42,其中,
控制量确定单元41用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统;所述位置控制单元42用于根据所述车辆系统下次迭代时的控制输入和对应块Toeplitz矩阵,确定车辆系统下次迭代时的位置。
优选的,控制量确定单元41通过以下公式确定车辆系统的控制输入:
Uk+l=Uk+KEk
位置控制单元42通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUk+1
基于同一发明构思,本发明还提供一种时变车辆系统的实时跟踪迭代学习控制方法,包括如下步骤:
S1:确定车辆系统的预期目标轨迹和车辆系统控制协议对应增益矩阵;
S2:获取车辆系统当前迭代下的位置,并计算当前迭代下的跟踪误差;
S3:根据车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制车辆系统执行下次迭代过程;
S4:返回S2进行下一次迭代,迭代运行多次直至完成对目标轨迹的实时跟踪。
优选的,S1具体包括如下步骤:
预期目标轨迹如下:
yd(t),t∈{1,2,…,T}。
t为运行时刻,t∈{0,1,2,…,T},T为运行周期;
车辆系统具有如下的时变动态特性:
其中,t为运行时刻,t∈{0,1,2,…,T},T为运行周期,为迭代次数;xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、输入以及位置;A(t)、B(t)及C(t)为车辆系统在t时刻对应时变系统矩阵;
其中p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m,构造与G具有相同生成空间的矩阵选择车辆系统控制协议对应的增益矩阵为其中且满足谱半径条件其中ρ表示矩阵的谱半径,I表示具有合适维数的单位矩阵。
优选的,S1中G为列满秩矩阵,即m=q,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-KG)<1;或G为行满秩矩阵,即m=p,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-GK)<1。
优选的,S3具体包括如下步骤:
S31:根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统,通过以下公式确定车辆系统的控制输入:
Uk+1=Uk+KEk
S32:根据所述车辆系统下次迭代下的控制输入和对应块Toeplitz矩阵,通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUk+1
与传统的迭代学习控制方法相比,本发明提供的时变车辆系统的实时跟踪迭代学习控制系统及方法,克服了车辆系统时变动态特性带来的影响,使得Markov参数矩阵不满秩的任意线性时变车辆系统在有限时间段内的所有时刻均能实时跟踪可跟踪的目标轨迹,并具有极高的跟踪精度。
附图说明
通过参考附图可更好地理解本发明。图中的构件不应视作按比例绘制,重点应放在示出本发明的原理上。
图1为本发明实施例提供的时变车辆系统的实时跟踪迭代学习控制系统的结构示意图之一;
图2为本发明实施例提供的时变车辆系统的实时跟踪迭代学习控制系统的结构示意图之二;
图3为本发明实施例提供的时变车辆系统的实时跟踪迭代学习控制方法的流程图;
图4为车辆系统的位置与预期目标轨迹沿着时间轴的动态演变图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供的一种时变车辆系统的实时跟踪迭代学习控制系统,如图1所示,包括:目标轨迹确定模块1、增益矩阵确定模块2、获取模块3以及控制模块4;其中,
目标轨迹确定模块1,用于确定所述车辆系统的预期目标轨迹。具体地,预期目标轨迹为车辆系统最终所期望运行的参考轨迹,为预先设定值,根据跟踪要求作为人为预先输入目标;
增益矩阵确定模块2,用于确定控制协议对应增益矩阵。具体地,针对具有如下时变动态特性的实时跟踪车辆系统:
其中,t∈{0,1,2,…,T}为运行时刻,T为运行周期,为迭代次数;xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、输入以及位置;A(t)、B(t)及C(t)为车辆系统在t时刻对应时变系统矩阵。同时,车辆系统预期目标轨迹为yd(t),t∈{1,2,…,T}。不失一般性,令车辆系统的初始状态为同时其对应Markov参数矩阵满足C(1)B(0)≠0。由此,车辆系统对应块Toeplitz矩阵为
其中p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m,基于此,构造与G具有相同生成空间的矩阵由此,选择车辆系统控制协议对应的增益矩阵为其中且满足谱半径条件其中ρ表示矩阵的谱半径,I表示具有合适维数的单位矩阵。
在一些实施例中,若G为列满秩矩阵,即m=q,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-KG)<1;若G为行满秩矩阵,即m=p,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-GK)<1。
获取模块3,用于获取所述车辆系统在当前迭代下的位置,从而得到其在当前迭代下的跟踪误差。具体地,可以通过在车辆系统上安装传感器装置获取车辆系统当前时刻的位置,并由简单计算模块获取车辆系统当前时刻的跟踪误差;
控制模块4,用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统。
在一些实施例中,如图2所示,控制模块4包括:控制量确定单元41和位置控制单元42;其中,控制量确定单元41,用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统,通过以下公式确定车辆系统的控制输入:
Uk+l=Uk+KEk
其中,为k+1次迭代下系统控制输入增广向量,为k次迭代下系统控制输入增广向量,为k次迭代下系统位置误差增广向量,ek(t)=yd(t)-yk(t)为k次迭代下t时刻系统位置误差向量。位置控制单元42,用于根据所述车辆系统下次迭代下的控制输入和对应块Toeplitz矩阵,通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUk+1
其中,为k+1次迭代下系统位置增广向量。也就是说,车辆系统根据当前迭代下的控制输入及跟踪误差获得下一迭代下的控制输入,更新调整自身的位置,最终实现对预期目标轨迹的实时跟踪,即limk→∞y(t)=yd(t),t∈{1,2,…,T}。
基于同一发明构思,本发明还提供了一种时变车辆系统的实时跟踪迭代学习控制系统的控制方法,如图3所示,包括如下步骤:
S1:确定车辆系统的预期目标轨迹;具体地,预期目标轨迹为车辆系统最终所期望运行的参考轨迹,为预先设定值,根据跟踪要求作为人为预先输入目标;
S2:获取车辆系统对应系统矩阵,得到对应块Toeplitz矩阵,确定控制协议对应增益矩阵。具体地,针对具有如下时变动态特性的实时跟踪车辆系统:
其中,t∈{0,1,2,…,T}为运行时刻,T为运行周期,为迭代次数;xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、输入以及位置;A(t)、B(t)及C(t)为车辆系统在t时刻对应时变系统矩阵。同时,车辆系统预期目标轨迹为yd(t),t∈{1,2,…,T}。不失一般性,令车辆系统的初始状态为同时其对应Markov参数矩阵满足C(1)B(0)≠0。由此,车辆系统对应块Toeplitz矩阵为
其中p,q为块Toeplitz矩阵G对应的行维数和列维数。令G的秩为m,基于此,构造与G具有相同生成空间的矩阵由此,选择车辆系统控制协议对应的增益矩阵为其中且满足谱半径条件其中ρ表示矩阵的谱半径,I表示具有合适维数的单位矩阵。
若G为列满秩矩阵,即m=q,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-KG)<1;若G为行满秩矩阵,即m=p,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-GK)<1。
S3:获取车辆系统当前迭代下的位置,并计算当前迭代下的跟踪误差。具体地,可以通过在车辆系统上安装传感器装置获取车辆系统当前时刻的位置,并由简单计算模块获取车辆系统当前时刻的跟踪误差;
S4:根据车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制车辆系统执行下次迭代过程;
S5:返回步骤S3进行下一次迭代,迭代运行多次直至完成对目标轨迹的实时跟踪。
需要说明的是,在本发明实施例提供的上述控制方法中,步骤S1和步骤S2的执行没有固定的先后顺序,在此不做限定。
在一些实施例中,步骤S4,根据车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制车辆系统执行下次迭代过程,具体包括如下步骤:
S41:根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统,通过以下公式确定车辆系统的控制输入:
Uk+1=Uk+KEk
S42:根据所述车辆系统下次迭代下的控制输入和对应块Toeplitz矩阵,通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUk+1
其中,为k+1次迭代下系统位置增广向量。也就是说,车辆系统根据当前迭代下的控制输入及跟踪误差获得下一迭代下的控制输入,更新调整自身的位置,最终实现对预期目标轨迹的实时跟踪,即limk→∞y(t)=yd(t),t∈{1,2,…,T}。
以下结合实施例对本发明的时变车辆系统的实时跟踪迭代学习控制方法进行详细描述,但不能将其理解为对本发明保护范围的限定。
实施例1
考虑具有如下线性动态的时变车辆系统:
其中,系统矩阵为
该时变车辆系统的Markov参数矩阵满足C(1)B(0)≠0,且其不满足行满秩条件也不满足列满秩条件。考虑运行周期为T=50,同时选择车辆系统运行的初始状态为xk(0)=[0,0,0]T,及初始输入为执行初次迭代k=0。
S1:确定车辆系统的预期目标轨迹为yd(t)=[sin(0.3t)e-0.05t,2sin(0.3t)e-0.05t]T,t∈{1,2,…,50}。
S2:获取车辆系统对应系统矩阵,得到对应块Toeplitz矩阵为
通过计算得G的秩为50,从而G既不为行满秩矩阵也不为列满秩矩阵。构造与G具有相同生成空间的矩阵
S4:根据车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制车辆系统执行下次迭代过程。具体包括如下步骤:
S41:根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统,通过以下公式确定车辆系统的控制输入:
Uk+1=Uk+KEk
S42:根据所述车辆系统下次迭代下的控制输入和对应块Toeplitz矩阵,通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUkH
S5:返回S3进行下一次迭代,直至完成对目标轨迹的实时跟踪。
图4中展示了在50次迭代后,车辆系统的位置与预期目标轨迹沿着时间轴的动态演变,该图说明车辆系统的位置输出在任意时刻均对预期目标轨迹实现实时跟踪,并且具有极高的跟踪精度。因此,应用本发明提供的时变车辆系统的实时跟踪迭代学习控制系统及方法,能够克服车辆系统时变动态特性带来的影响,使得Markov参数矩阵不满秩的任意线性时变车辆系统在有限时间段内的所有时刻均能实时跟踪可跟踪的目标轨迹,并具有极高的跟踪精度。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种时变车辆系统的实时跟踪迭代学习控制系统,其特征在于,包括:
目标轨迹确定模块(1)、增益矩阵确定模块(2)、获取模块(3)以及控制模块(4);其中,
所述目标轨迹确定模块(1)用于确定所述车辆系统的预期目标轨迹;
所述增益矩阵确定模块(2)用于获取车辆系统对应系统矩阵,得到对应块Toeplitz矩阵,并确定车辆系统控制协议对应增益矩阵;
所述获取模块(3)用于获取所述车辆系统在当前迭代下的位置和跟踪误差;
所述控制模块(4)用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选增益矩阵更新下次迭代时车辆系统的控制输入,并控制所述车辆系统。
3.根据权利要求1所述的实时跟踪迭代学习控制系统,其特征在于,所述目标轨迹确定模块(1)根据跟踪要求,人为输入预期目标轨迹,如下:
yd(t),t∈{1,2,…,T}。
5.根据权利要求1所述的实时跟踪迭代学习控制系统,其特征在于,所述控制模块(4)包括控制量确定单元(41)和位置控制单元(42),其中,
控制量确定单元(41)用于根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统;所述位置控制单元(42)用于根据所述车辆系统下次迭代时的控制输入和对应块Toeplitz矩阵,确定车辆系统下次迭代时的位置。
7.一种时变车辆系统的实时跟踪迭代学习控制方法,包括如下步骤:
S1:确定车辆系统的预期目标轨迹和车辆系统控制协议对应增益矩阵;
S2:获取车辆系统当前迭代下的位置,并计算当前迭代下的跟踪误差;
S3:根据车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制车辆系统执行下次迭代过程;
S4:返回S2进行下一次迭代,迭代运行多次直至完成对目标轨迹的实时跟踪。
8.根据权利要求7所述的实时跟踪迭代学习控制方法,其特征在于,S1具体包括如下步骤:
预期目标轨迹如下:
yd(t),t∈{1,2,…,T}
t为运行时刻,t∈{0,1,2,…,T},T为运行周期;
车辆系统具有如下的时变动态特性:
其中,t为运行时刻,t∈{0,1,2,…,T},T为运行周期,为迭代次数;xk(t)、uk(t)及yk(t)为车辆系统在第k次迭代下t时刻对应的状态、输入以及位置;A(t)、B(t)及C(t)为车辆系统在t时刻对应时变系统矩阵;
9.根据权利要求8所述的实时跟踪迭代学习控制方法,其特征在于,S1中G为列满秩矩阵,即m=q,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-KG)<1;或G为行满秩矩阵,即m=p,则车辆系统增益矩阵K可简单选择满足谱半径条件ρ(I-GK)<1。
10.根据权利要求8所述的实时跟踪迭代学习控制方法,其特征在于,S3具体包括如下步骤:
S31:根据所述车辆系统当前迭代下的控制输入、跟踪误差以及所选择增益矩阵更新下次迭代时车辆系统的控制输入,控制所述车辆系统,通过以下公式确定车辆系统的控制输入:
Uk+1=Uk+KEk
S32:根据所述车辆系统下次迭代下的控制输入和对应块Toeplitz矩阵,通过以下公式确定车辆系统下次迭代下的位置:
Yk+1=GUk+1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934241.3A CN113625551B (zh) | 2021-08-16 | 2021-08-16 | 一种时变车辆系统的实时跟踪迭代学习控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934241.3A CN113625551B (zh) | 2021-08-16 | 2021-08-16 | 一种时变车辆系统的实时跟踪迭代学习控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113625551A true CN113625551A (zh) | 2021-11-09 |
CN113625551B CN113625551B (zh) | 2024-03-01 |
Family
ID=78385684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934241.3A Active CN113625551B (zh) | 2021-08-16 | 2021-08-16 | 一种时变车辆系统的实时跟踪迭代学习控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625551B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
CN108594644A (zh) * | 2018-03-05 | 2018-09-28 | 青岛科技大学 | 基于固定场景和路线的智能无人驾驶车辆的迭代学习控制方法 |
CN109358621A (zh) * | 2018-09-30 | 2019-02-19 | 山东省计算中心(国家超级计算济南中心) | 自动驾驶汽车轨迹跟踪控制方法 |
CN111240327A (zh) * | 2020-01-16 | 2020-06-05 | 江苏大学 | 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法 |
US20200278686A1 (en) * | 2019-02-28 | 2020-09-03 | University Of South Carolina | Iterative Feedback Motion Planning |
US20210221386A1 (en) * | 2020-01-19 | 2021-07-22 | Mitsubishi Electric Research Laboratories, Inc. | Adaptive Control of Autonomous or Semi-Autonomous Vehicle |
-
2021
- 2021-08-16 CN CN202110934241.3A patent/CN113625551B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529023A (zh) * | 2016-11-09 | 2017-03-22 | 南京工程学院 | 一种基于迭代学习的地铁列车自动运行速度控制方法 |
CN107730923A (zh) * | 2017-09-30 | 2018-02-23 | 浙江海洋大学 | 一种带有约束的城市交通交叉口信号控制方法 |
CN108594644A (zh) * | 2018-03-05 | 2018-09-28 | 青岛科技大学 | 基于固定场景和路线的智能无人驾驶车辆的迭代学习控制方法 |
CN109358621A (zh) * | 2018-09-30 | 2019-02-19 | 山东省计算中心(国家超级计算济南中心) | 自动驾驶汽车轨迹跟踪控制方法 |
US20200278686A1 (en) * | 2019-02-28 | 2020-09-03 | University Of South Carolina | Iterative Feedback Motion Planning |
CN111240327A (zh) * | 2020-01-16 | 2020-06-05 | 江苏大学 | 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法 |
US20210221386A1 (en) * | 2020-01-19 | 2021-07-22 | Mitsubishi Electric Research Laboratories, Inc. | Adaptive Control of Autonomous or Semi-Autonomous Vehicle |
Non-Patent Citations (6)
Title |
---|
RICHARD SEEBER: "Optimization-Based Iterative Learning Speed Control for Vehicle Test Procedures", 《IFAC-PAPERSONLINE》 * |
YIYANG CHEN: "Iterative Learning Control for Minimum Time Path Following", 《IFAC-PAPERSONLINE》 * |
卜旭辉: "基于迭代学习的农业车辆路径跟踪控制", 《自动化学报》 * |
孟德元: "Convergence of iterative learning control for SISO nonrepetitive systems subject to iteration-dependent uncertainties", 《AUTOMATICA》 * |
孟德元: "Cooperative iterative learning for uncertain nonlinear agents in leaderless switching networks", 《AUTOMATICA》 * |
窦鹏飞: "列车自动运行迭代学习控制算法的研究", 《铁路计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113625551B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测系统及其实现方法 | |
US20140330402A1 (en) | Computer Apparatus And Method using Model Structure Information of Model Predictive Control | |
CN103942401A (zh) | 一种优化高精度自适应模块化的航天器弹道多约束轨迹工具包及方法 | |
CN107608214B (zh) | 三自由度直升机显式模型预测控制中的多级网格点定位方法 | |
Marchetti et al. | Modifier adaptation as a feedback control scheme | |
CN114474078B (zh) | 机械臂的摩擦力补偿方法、装置、电子设备及存储介质 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
CN109062040A (zh) | 基于系统嵌套优化的预测pid方法 | |
CN111047002A (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN113625551A (zh) | 一种时变车辆系统的实时跟踪迭代学习控制系统及方法 | |
CN117111656A (zh) | 一种基于蒸发器的pid温度控制方法及系统 | |
CN108919646B (zh) | 一种基于支持向量机的快速偏转镜视轴抖振抑制方法 | |
CN114677547B (zh) | 一种基于自保持表征扩展的类增量学习的图像分类方法 | |
CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
CN113791611B (zh) | 一种车辆在干扰下的实时跟踪迭代学习控制系统及方法 | |
CN113641193B (zh) | 一种非最小相位系统精确跟踪控制方法 | |
CN115689915A (zh) | 一种基于二维勒让德神经网络实现在轨星图几何畸变校正方法及星敏感器 | |
CN113670315B (zh) | 一种基于变分迭代卡尔曼滤波的李群重尾干扰噪声动态飞行器姿态估计方法 | |
CN116224070A (zh) | 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 | |
Noueili et al. | Optimal iterative learning control for square MIMO linear systems | |
CN116909277A (zh) | 无需初始镇定学习策略的无人系统轨迹跟踪控制方法 | |
CN116880649A (zh) | 一种部分遮蔽光伏多峰的量子加速最大功率点跟踪方法 | |
CN113985900B (zh) | 一种四旋翼无人机姿态动态特性模型、辨识方法及自适应柔化预测控制方法 |
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 |