一、仿人智能控制的在线学习模型(论文文献综述)
曾宇骏[1](2018)在《基于深度神经网络的智能车辆目标识别与学习控制方法研究》文中认为作为未来智能交通系统的核心单元,智能驾驶车辆集自动控制、人工智能、机器视觉等多种技术于一身,是计算机科学、模式识别以及智能控制等学科高度交叉融合的产物。当前,智能驾驶车辆已成为衡量一个国家科技实力与工业水平的重要标志,不管在民用还是军用领域都已成为国内外关注和竞争的焦点。环境感知技术与运动控制技术是实现车辆智能驾驶的关键技术。然而智能驾驶车辆行驶环境的复杂多变性以及车辆自身动力学模型的高度非线性和时延性,使得在复杂环境下实现高精度的实时环境感知与高性能的运动控制成为智能驾驶领域的挑战性问题。近年来深度学习(Deep learning,DL)和深度增强学习(Deep reinforcement learning,DRL)方法的提出和发展,为解决这一问题提供了新的技术途径。但现有的深度学习和深度增强学习方法通常基于梯度下降(Gradient descent)原理进行参数优化,往往存在局部极小值难以避免、泛化能力难以保证以及由于大量的搜索和优化计算需求所导致的训练代价巨大等问题,致使面向智能驾驶车辆环境感知和运动控制的深度学习和深度增强学习方法存在适应性和高效性不足,限制了其性能的进一步提升。本文以复杂环境下智能驾驶车辆的环境感知和运动控制为研究背景,重点围绕基于深度神经网络的高精度、低训练时耗目标识别方法和面向大规模状态空间下连续动作的高效、快速学习控制方法开展研究,以提升方法性能和降低方法模型训练时耗为目标,主要完成的工作及创新点包括:(1)针对深度卷积神经网络学习过程对局部极小值敏感以及泛化能力难以保证的问题,结合深度学习和超限学习机(Extreme learning machine,ELM)原理,提出了采用深度卷积特征的超限学习目标识别方法CNN-ELM。该方法利用ELM对深度卷积神经网络全连接层进行学习优化,在充分发挥深度卷积神经网络的特征学习能力的同时,与ELM优异的分类泛化能力和快速的学习速度进行优势互补。在国际交通路标识别公共数据库上的测试结果表明,CNN-ELM能够取得99.40%的识别准确率,并且模型训练速度相比于公共数据库上具有最好识别结果的多柱深度神经网络方法(Multi-column deep neural network,MCDNN)有6倍的提升。(2)为解决复杂环境条件下智能车辆交通路标识别问题,进一步研究了颜色空间变换对深度卷积神经网络特征学习过程的影响,提出了一种采用深度感知卷积特征(Deep perceptual convolutional feature,DPCF)的核超限学习交通路标识别方法DP-KELM。该方法在深度卷积神经网络学习过程中引入感知颜色空间变换,同时采用核超限学习机(Kernel extreme learning machine,KELM)完成随机神经网络(Random neural network,RNN)分类器的学习优化,进一步提升深度卷积神经网络所提取特征的判别性和分类器泛化能力,同时减少网络训练的时间代价。在交通路标识别公共数据库上的性能对比结果显示,DP-KELM能够达到99.54%的识别准确率,模型总体训练时间进一步缩短为采用深度卷积特征的超限学习目标识别方法的六分之一。(3)提出了基于差分进化(Differential evolution,DE)的分层稀疏自编码目标识别方法ESAN,在确保识别性能的前提下进一步降低深度神经网络学习训练代价。该方法将面向随机神经网络学习优化的超限学习方法拓展到深度神经网络学习,并针对随机神经网络学习过程中由于隐层网络参数随机生成所可能带来的冗余性和次优性问题,引入差分进化原理进行搜索优化,提出一种进化稀疏自编码网络并进一步将其融入分层随机神经网络结构,实现从原始图像输入到识别结果输出的快速有效的映射学习。在多种目标识别标准数据库上的验证实验结果表明,ESAN识别性能优于堆栈自编码(Stacked autoencoder,SAE)、深度置信网络(Deep belief network,DBN)等深度学习方法,且模型训练速度有2~3倍,最多10倍的提升。(4)针对高维状态输入下连续动作空间的在线学习控制问题,提出了采用深度编码特征与小脑模型神经网络(又称小脑模型关节控制器,Cerebellar model articulation controller,CMAC)的自适应启发评价学习控制方法DeepFastAHC。为解决高维状态输入到增强学习(Reinforcement learning,RL)算法所需的低维特征映射问题,首先将深度编码网络与小脑模型神经网络相结合,在此基础上采用基于递推最小二乘TD(λ)原理的快速启发式自适应评价器(Adaptive heuristic critic,AHC)增强学习算法,最终实现以图像为输入、连续动作空间下控制策略的在线高效学习。典型学习控制问题仿真实验结果表明,DeepFastAHC具有良好的数据利用率和学习效率,学习过程能够快速收敛,得到性能效果良好的控制策略。(5)提出了采用深度卷积特征的超限学习车辆侧向运动控制方法ICNN-ELM。该方法将复杂环境下智能驾驶车辆的侧向运动控制问题抽象为高维状态输入下连续动作空间的模仿学习(Imitation learning,IL)问题。针对深度神经网络因泛化能力不足所导致的回归拟合精度受限问题,采用行为克隆(Behavioral clone)技术,在专家示教(Demonstration)数据上训练深度卷积神经网络特征提取器。随后利用超限学习机取代深度卷积神经网络的全连接层,以深度卷积特征为输入实现对控制输出的拟合回归,从而建立感知图像输入到控制动作输出的直接映射关系。在百度Apollo端到端车辆侧向运动控制数据库上的验证实验表明,ICNN-ELM能够达到比现有深度卷积神经网络方法更高的学习精度,同时所采用的网络模型更加简单。
王增涛[2](2018)在《天然气调压橇压力智能控制系统设计与开发》文中研究说明调压橇压力控制系统是天然气分输站的重要组成部分之一,其管道压力控制性能的好坏直接影响着分输站的运行稳定及下游用户用气安全。由于调压橇长期工作在非稳态工况且调节阀存在连续死区等非线性特性,现阶段常规PID控制器控制效果较差,存在压力难以稳定、调节阀频繁动作等情况。因此,本文深入研究了不同工况下的调压橇压力控制方法,并完成了以下工作。首先,针对调压橇压力控制系统非线性严重、PID参数整定不良等因素造成的压力波动幅度大、控制不及时等问题,提出了一种改进RBFPID压力控制器。该控制器根据压力偏差等系统信息实时调整PID参数值,提高了系统的动态控制性能。使用L-M(Levenberg-Marquardt)算法替换传统梯度下降法,提高了响应速度;提出了一种自适应变步长策略,提高了PID参数调整效率;设计了PID参数在线整定启停条件,提高了控制器工作效率。数值仿真实验表明该方法有效可行。同时为加快在线整定的收敛速度,设计了基于多目标优化及多属性决策的PID参数初始化方案。采用改进非支配排序遗传(Nondominated Sorting Genetic Algorithm∏,简称NSGA∏)算法求取Pareto最优解集,然后通过多属性决策方法选取合适的PID参数作为在线控制的初始参数,并开发了基于MATLAB的改进RBFPID控制器参数初始化软件。其次,针对用气量大幅波动及调节阀死区严重的工况,依据仿人智能控制思想设计了调压橇仿人压力智能控制系统,该系统包括干扰控制器、PI控制器和仿人智能控制器。干扰控制器采用前馈控制算法对流量干扰进行补偿;PI控制器对压力进行调节;仿人智能控制器根据系统运行状态实现动态切换控制,且设计了不等幅开关策略,克服了死区影响,提高了控制的实时性。仿真实验及现场试验表明,该控制系统不仅能够提高压力控制精度而且有效降低了调节阀的开关频率。最后,基于Visual Studio 2010软件平台开发了调压橇压力控制器软件,该软件基于模块化设计原则,分别设计完成了人机交互模块、通信模块及控制模块。其中人机交互模块实现了系统设置及控制效果展示等功能;通信模块实现了与PLC等设备的数据通信;控制模块实现了系统的压力控制及自适应切换控制。软件测试表明,该控制器软件功能全面、运行稳定,能够满足控制要求。
华一丁[3](2018)在《基于熟练驾驶员转向操纵特征的智能汽车仿人转向控制技术研究》文中认为近年来,随着计算机、互联网、通信导航、自动控制、人工智能、机器视觉、高精度地图等高新技术与先进汽车技术的快速融合,智能汽车(或无人驾驶汽车、自动驾驶汽车)已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力。然而,智能汽车的自动驾驶控制技术要达到全工况范围内完全代替人类驾驶员而被消费者所接受还面临着很多困难。对于智能汽车而言,如果仅根据EPS(Electrical Power Steering,电动助力转向)的转角信号来控制方向盘转角,而不控制EPS电机的输出转矩,会出现方向盘抖动现象。在方向盘大转角回正过程中,如果不控制EPS电机的阻尼(反向转矩),会导致方向盘回正过快而引起较大的车身横摆角速度,使汽车转向操纵品质恶化,高速行驶时甚至出现操控失稳,危及行车安全性。因此,如何使智能汽车在自动驾驶模式的转向操控品质尽量接近人类驾驶员的转向操控,是智能汽车转向控制系统研究领域中的一个重要课题。本文从熟练驾驶员实车道路行驶过程中转向操纵参数采集与特性分析、熟练驾驶员行车轨迹非线性拟合、基于MPC(模型预测控制)的智能汽车驾驶员模型构建、基于仿人智能理论的转向控制策略以及基于新型EPS装置的智能汽车仿人转向控制试验台架研制与试验验证等方面开展研究,主要工作如下:开展了熟练驾驶员实车道路转向试验数据采集与分析。选择5名熟练驾驶员在不同车型、车速和转向工况下进行实车道路转向操纵试验,采集了转向特征参数和车辆动力学参数;设计了不同阶数的巴特沃斯滤波器对试验数据进行滤波处理,通过坐标变换将GPS/INS采集到的经纬度信号转换成地理坐标系下的二维平面车辆行驶轨迹;通过分析不同转向工况下影响车辆行驶轨迹的主要因素以及转角、转矩和转角速度之间的关系,得到熟练驾驶员的转向操纵特征规律;利用主成分分析法确定平均转角和平均转角速度作为驾驶员的转向特征参数,并根据不同的聚类分析方法对不同工况下的驾驶员转向特性进行分类研究,通过对比分析三种不同聚类方法(FCM,GK和GG)在驾驶员转向特性分类上的优缺点,确定GG算法为最优聚类算法,同时确定不同转向工况下驾驶员转向特性的聚类中心;根据聚类中心获得熟练驾驶员转向特征参数的阈值,为仿人智能控制律的设计奠定基础。研究了熟练驾驶员行车轨迹的非线性拟合方法。对右转、掉头、车道保持和换道等四种典型转向工况进行了分段多项式表达和求解;针对传统神经网络学习算法(如BPNN)需要人为设置大量的网络训练参数、并且容易陷入局部最优解的不足,利用极限学习机(ELM)的学习速度快、泛化性能好的优点,提出了基于ELM的熟练驾驶员行车轨迹的非线性拟合方法;利用卡尔曼滤波(KF)算法对ELM的输出权重进行实时更新,解决了ELM在多重共线性情况下学习精度不高的问题,对ELM输出权重矩阵进行滤波处理并优化了ELM算法;分别利用KFELM、ELM和BPNN对不同工况下的熟练驾驶员的行车轨迹进行非线性拟合试验,结果表明,KFELM的训练精度和测试精度明显优于ELM和BPNN,同时KFELM的学习速度也优于ELM和BPNN。利用MPC算法在每个采样时刻可预测系统未来状态并进行滚动优化的特点,搭建了基于MPC的驾驶员模型;根据车辆运动学模型快速平稳地跟踪熟练驾驶员行车轨迹的要求,确定了驾驶员模型的目标函数和相应的约束条件;通过仿真分析,将本文提出的基于MPC的驾驶员模型与传统单点预瞄驾驶员模型和基于β-样条曲线的路径跟踪方法进行对比分析。结果表明,在四种典型转向工况下,基于MPC的驾驶员模型可以较精确地跟踪熟练驾驶员的参考行车轨迹,跟踪效果优于两种传统方法。研究并建立了基于动觉图式的仿人智能控制器设计方法,提出了采用双转矩/转角传感器的智能汽车新型EPS转向系统,建立了新型EPS转向系统动力学模型,分析了转向阻力矩与转角和车速的关系;建立了基于动觉图式的仿人智能控制律,对EPS转角和转矩进行分段控制;构建基了MTLAB/Simulink的智能汽车仿人转向控制模型,搭建了基于Carsim/Simulink的联合仿真试验平台,仿真结果表明,仿人转向控制算法在转向特征参数的跟踪效果和乘员舒适性方面均优于传统PID控制。研制了基于磁粉制动器的转向阻力矩模拟装置和智能汽车新型EPS转向系统试验台,利用dSPACE快速原型控制器实现仿人智能控制律,并搭建了仿人转向控制系统试验台架,进行了新型EPS转向系统控制性能试验。试验结果表明,方向盘转角、转矩可以较好地跟踪熟练驾驶员的实车转向试验的转角、转矩变化曲线,在车道保持工况的最大转角偏差小于2deg、最大转矩偏差小于1Nm,验证了本文研究的仿人转向控制技术的有效性。
陈洋[4](2018)在《智能材料夹持器的驱动及控制系统研究》文中研究表明近年来,智能材料的开发与使用,已经成为现代高技术与新材料发展的重要方向。智能材料是一种能够感知外部信号刺激,自身可执行动作的材料,可以作为新型驱动器应用在机器人领域。智能材料驱动器已经成为开发仿生、软体机器人等领域的重要驱动功能器件,其制备、建模、控制及应用技术吸引了越来越多不同学科研究者的关注。本文针对智能材料驱动器在机器人系统中作为末端执行部件的应用展开了研究,主要研究内容如下:(1)面向微操作系统中的末端执行器抓取操作任务,设计了一款新型IPMC(ionic polymer metal composite)二指夹持器,其中一指为IPMC驱动器,用于产生对被操作物体的夹持力,另一指为压阻薄膜传感器,用于测量抓取操作过程中的夹持力。通过研究夹持器在抓取操作过程中的驱动特性,其展现出了明显的迟滞非线性特性,本文首次采用克里金法描述IPMC输出力模型,并针对模型设计了克里金预测控制系统、克里金预测-小波滤波控制系统、KPWF(Kriging prediction-wavelet filter)前馈补偿 SPSA(simultaneous perturbation stochastic approximation)参数调节 PID(proportion integration differentiation)控制系统,最终通过实验验证了 KPWF前馈补偿SPSA参数调节PID控制系统具有较好的控制效果,能够实现新型IPMC二指夹持器泡沫球抓取操作任务过程中的输出力控制。(2)面向微操作系统中的末端执行器固定操作任务,设计了驱动感知一体IPMC夹持器,其中一指为固定金属片,起到对被操作物体的支撑作用,另一指为压阻薄膜传感器,用于测量固定操作过程中的夹持力,同时其外侧附有IPMC驱动器,用于产生固定力,通过压阻薄膜传感器作用在物体上。分析夹持器在固定操作过程中的驱动特性,其展现出了明显的蠕变非线性特性,本文创新地建立了IPMC输出位移Hammerstein模型,并针对模型设计了具有固定力补偿的基于状态观测器的状态反馈鲁棒控制系统,最终通过实验验证了控制系统具有较好的控制效果,实现了驱动感知一体IPMC夹持器固定泡沫球操作任务过程中的位置控制与固定力补偿。(3)设计了一款模块化SMA(shape memory alloy)驱动仿人五指手,模块化设计思想将SMA驱动器、弯曲传感器、温度传感器、传动机构等部件巧妙结合,使得SMA仿人手具有集成化、小型化、轻量化等优点。利用强化学习智能算法开发了 SMA仿人手控制系统,选取时序差分策略搭建SMA仿人手的稳态抓取操作控制系统,其中弯曲值作为状态量,SMA温度值作为系统保护状态量,PWM占空比作为动作量,ε-贪心算法完成动作搜索,制定符合SMA仿人手动作规律的奖惩值表,分别采用离线学习Q-learning算法与在线学习Sarsa算法搭建了控制系统,最终通过对物体的抓取操作实验验证了系统的可靠性。(4)使用液体硅橡胶形状沉积制造技术得到气动软体夹持器,针对一款通用气动软体夹持器气腔形态的工作变形过程进行建模分析,选用刚度和伸展率两个参数进行评价,刚度与负载具有正相关关系,伸展率与材料的剪切模量和硅橡胶层的厚度具有负相关关系,并且还与变化过程中的伸展系数有关,使伸展系数和曲率与充气压力的关系呈现一定的非线性,从而为气动软体手指制作提供了理论参考。应用弯曲传感器和气压传感器在气动软体夹持器抓取操作控制系统中的数据,研究了气动软体夹持器工作过程中的弯曲特性和弯曲与球形物体尺寸关系特性,使其实现了球形物体直径预测功能和自适应稳态抓取功能,最终将气动软体夹持器安装在实验室自制码垛机器人的末端执行器位置,实现了码垛机器人自动分拣水果的功能。
吕丹丹[5](2016)在《适用于小型智能车的行驶路况评价及自主避障控制研究》文中研究说明随着小型智能车的普及,人们在短距离出行方面有了更多的选择,同时智能车在一些特殊场合的应用也发挥了愈发重要的作用,如在反恐、巡查等特殊任务中的执行协助,因而针对狭窄复杂路面的辅助避障驾驶技术研究越发受到青睐。纵观国内外关于智能车的研究多偏向无人驾驶汽车,无人驾驶汽车具有依托于多传感器技术的高成本及主要于规则道路行驶的应用局限性,因而其核心技术并不完全适用于小型智能车。此外,关于智能车主要技术即自主避障控制的研究,大致分成应用于静态条件的传统算法和动态场景的智能算法两大类,这些方法所做出的避障决策对于周遭环境变化快速的狭窄复杂路面还不能完全达到实时快速的自主避障效果,存在着一定的不足。因此,针对上述问题,本文对于小型智能车-未知复杂道路的系统研究了一种基于BA-BP算法的行驶路况评价模型以及一种基于强化学习的仿人智能控制的自主避障方法,旨在对智能车当前行驶的道路进行监测,对障碍物信息进行合理提取,实现有效避障,为辅助驾驶提供决策依据。论文的主要研究内容包括:1、分析并提取了用于行驶路况评价的五项特征。本文利用图像处理进行道路信息的智能检测,提取了路面平整度、路面弯曲度、障碍物宽高比、障碍物有效面积比和障碍系数五项特征,多方面反映当前行驶路况,并在此基础上进一步完成了上述特征参数的定义和量化处理,为后续的行驶路况评价奠定基础。2、研究了一种基于BA-BP算法的行驶路况评价方法。本文定义了行驶路况的5种特征作为输入,选择BP神经网络作为行驶路况评价模型的基础,且利用蝙蝠算法搜索BP网络更优的初始权值和阈值,来弥补BP网络连接权值和阂值选择上的随机性缺陷,同时加入调整因子突出障碍物特征对于行驶路况的主要影响,以获取更合理高效的训练过程,最后利用此评价模型得出行驶路况的评价结果。该方法比较方便和准确地描述特征参数与行驶路况的关联情况,获取合理的评价结果。3、为了提高智能车辆自主避障控制的精度以及实时性,研究了一种基于强化学习的仿人智能控制的避障控制方法。该方法通过模仿人类控制策略,引入仿人智能控制,同时参考移动机器人的控制算法,加入强化学习予以改进,设计车辆理想规避障碍物的轨迹,构建加速度、转弯半径等避障参数,根据偏差信息不断学习校正,且控制器的部分参数可由强化学习方法实时进行调整。该方法可直观、快速地实现准确的避障。仿真实验结果表明,基于BA-BP算法的行驶路况评价模型的评价精度达到了95.15%,能够对未知道路信息进行合理地提取和评价。同时,本文研究的自主避障方法对小型道路段具有很好的适用性,能够很好的实现自主避障,其避障准确率达到92.86%,相比其他方法具有更好的避障效果。证明本文研究的自主避障方法能够满足未知道路下小型智能车自主避障的需求,具有反应迅速、准确率高等优点,这对于智能车的辅助驾驶研究具有比较重要的理论和现实意义。
于今[6](2015)在《基于仿人智能的两轮轮式机器人运动控制实现》文中指出两轮轮式机器人(TWMR,Two-Wheel Mobile Robot)集中了传感技术、信息处理、电子工程、计算机工程、自动化控制工程以及人工智能等多门学科的综合系统,是目前研究最活跃的领域之一。TWMR由于其结构上所具有的非完整性约束的特性,并且运动过程中存在的系统时变的特性。因此,TWMR的运动控制问题一直是国内外研究难点的问题。通常对TWMR运动控制的研究主要集中在点镇定控制和轨迹跟踪控制两个方面。而这些控制方法的设计大多都是在离线的情况下进行的,通过精确的被控对象模型设计控制算法,然后运用优化算法离线优化控制器的参数,从而使TWMR运动轨迹得到较好的控制。但控制器参数的离线优化会耗费掉大量的时间,特别是在实物系统中,外界环境和机器人自身的变化都会导致被控对象模型的变化,参数的调整更加麻烦。相对于离线的控制方法,控制参数动态可调的在线控制器就有着良好的性能,不但能够节省大量调整控制器参数的时间和精力,并且增强了移动机器人的自适应能力对于扩展其应用领域有着重要的意义。本文通过对TWMR运动控制国内外多种控制方法的研究,提出一种参数自适应控制器,具体工作如下:①提出了基于仿人智能控制的参数自适应控制器。该控制器是将仿人智能控制与神经网络算法相结合得到的一种三层结构的控制器。底层为执行层,该层主要采用多模态仿人智能控制器为基本控制单元;中间层为参数自适应调整层,该层通过神经网络在线调整底层的各控制单元参数;上层为任务协调层,该层根据系统状态对各基本控制单元进行规划控制。②搭建了TWMR仿真实验平台和实物平台,设计了基于Backstepping方法的离线参数整定控制器。并将本文所提出的的仿人智能控制器与Backstepping方法进行对比。搭建基于“类等效”状态空间模型的仿真平台,并在该平台上进行了两种控制方法的点镇定实验和轨迹跟踪实验,观察在有干扰和无干扰两种情况下这两种控制方法的控制效果。搭建了基于直流双闭环的实物实验平台,并采用本文所提出的参数动态可调仿人智能控制器进行点镇定和轨迹跟踪实验,实验结果取得良好的控制效果。对比实验表明,相较于Backstepping控制器,本文所提出的参数自适应仿人智能控制器误差更小,控制效果更快速,运动轨迹更平滑。
蔡礼松[7](2014)在《三轮全向移动机器人轨迹跟踪仿人智能控制》文中进行了进一步梳理全向移动机器人具有狭小空间内自由运动以及机动性强的特点,广泛应用于空间有限以及机动性要求较高的控制任务中。完整约束的三轮全向移动机器人(TOMR, Tree-wheel Omni-directional Mobile Robot)较差速驱动机器人系统结构较为复杂,是典型的多输入多输出的复杂非线性系统,实时运动过程中存在强干扰和参数时变特性,对其进行轨迹跟踪控制较为困难。因此,全向移动机器人的轨迹跟踪问题是国内外研究难点问题。仿人智能控制器(HSIC, Human-Simulated Intelligent Control)的设计是对人的控制行为的模仿,其研究的主要目标是模拟人的控制结构和控制行为的方式,特别适合于模型不精确以及复杂非线性被控对象。针对TOMR的轨迹跟踪控制问题,本文主要做了以下工作:①提出了一种三层结构仿人智能全向移动机器人轨迹跟踪控制器。该控制器由仿人智能控制底层执行层、动态参数自适应调整层和任务协调层三层构成。底层执行层针对机器人运动模型非线性对运动控制的影响,采用仿人智能控制多模态底层控制器构成了基本控制单元;动态参数自适应调整层针对实时运动控制过程中存在的强干扰及系统的时变特性,利用神经网络在线实时改变底层执行层各基本控制单元的控制参数,达到优化各个基本控制单元的控制效果;顶层为任务协调层,根据系统和环境状态进行规划,控制各基本控制单元及其动态参数自适应调整的工作状态。②搭建了基于“类等效”状态空间模型的TOMR仿真实验平台和实际系统平台,进行了TOMR轨迹跟踪控制实验。实验结果表明,本文设计的三层结构仿人智能控制器很好的解决了机器人非线性系统的跟踪控制问题。与位置闭环神经网络控制器和位置与速度双闭环神经网络控制器控制效果的比较表明,所提出的三层结构仿人智能控制器提高了控制的稳定特性和鲁棒性。
谭飞[8](2011)在《多模式仿人智能控制器的设计方法研究》文中指出本论文分析了常规控制的系统结构和系统的参数对控制性能的影响,并对其在应用时的缺陷作了深入分析。分析了常规控制中的模型特点、反馈功能与系统性能的关系,对控制系统的开环结构特点、闭环结构特点以及系统阻尼因素、变结构控制的优缺点进行了重点分析。通过分析明确了常规控制系统存在控制模式单一、暂态过渡阶段和稳态过渡阶段要求不明确,系统内部存在矛盾等问题。同时分析了控制响应暂态和稳态阶段的要求,为控制算法改进提供了依据;分析了积分器的特点,提出智能积分器设计应具有的条件:积分器应具有在线学习和完全记忆功能,且在零频率信号输入时积分放大增益等于无穷大。根据常规控制的分析结果,结合变阻尼控制、变结构控制的优点和经典仿人控制算法的缺点,提出了多模式仿人智能控制器算法的设计方法,即设计时采用暂态阶段和稳态阶段区别对待的办法,暂态主要考虑快,并兼顾平稳进入稳态阶段的要求;稳态阶段控制主要满足稳定和准确要求。算法设计中用多种控制模式解决各阶段的控制要求:用主动开环控制对付快速性、用闭环监控对付稳定性,用反向强制控制对付平稳性,用智能积分对付无差性,各模式相互配合对付鲁棒性。运用系统偏差的特征信息、比例作用的正负特点和偏差微分特性设计了三种控制算法,并对它们的参数设置进行了讨论,用仿真和实际应用证明了设计方法的可行和算法的优良性能。这种控制方法在解决现代工业过程面对的高标准控制要求时,有较强的鲁棒性,控制器结构简单,物理意义也很明确,通用性好,结构及参数调整方便,可以预见其广阔应用前景。
时光[9](2011)在《智能电—气阀门定位器智能控制策略研究》文中提出调节阀在石油、化工、纺织、冶金、制药等大型过程控制领域具有广泛的应用,调节阀按照驱动方式可以分为电动阀门、气动阀门和液动阀门。气动调节阀由于其结构简单、操作方便、使用可靠、易于维护和防火防爆等优点,在工业中更是得到了广泛的应用。智能电-气阀门定位器是气动调节阀的核心控制附件,可以改善阀门特性、提高控制的精度、速度和增加控制的灵活性。在工业应用中,对流量控制方面的要求越来越高,相应的亦对智能电-气阀门定位器的性能提出了更高的要求。气动执行器作为智能电-气阀门定位器的控制对象具有非线性、时变性和滞后性等特性,而且多应用于工业的多干扰环境中,这使得电-气阀门定位器采用传统的控制算法很难达到更高的性能要求。为了提高智能电-气阀门定位器的控制性能,本文以智能控制为理论基础,以863项目(2006AA040303)“智能化通用仪器仪表的开发及产业化”为应用背景,针对气动执行器的非线性、时变性和滞后性等特性,研究了智能电-气阀门定位器的智能控制策略,本文主要做了以下工作:①论文以气动执行机构为研究对象,分析了气动执行机构存在非线性、时变性与滞后性的原因。针对气动执行机构的特性分析了智能电-气阀门定位器采用模糊PD控制策略与仿人智能控制策略的可行性以及模糊控制策略需要解决的参数优化与控制精度的问题。②针对模糊控制器参数与规则的优化设计问题,结合模糊推理、遗传算法和单纯形法,提出了一种改进的遗传算法——模糊自适应混合遗传算法。该遗传算法以模糊推理为基础,完成对遗传算法中的交叉、变异概率以及反馈式灾变个体数量的自适应调整,并通过单纯形法加强局部寻优能力。仿真结果表明,模糊自适应混合遗传算法较之于标准遗传算法与自适应交叉、变异算子的自适应遗传算法具有更快的收敛速度和更高的寻优精度。模糊自适应混合遗传算法用于对模糊控制器的量化因子与比例因子的寻优,以及对模糊控制器的隶属函数的优化。③针对模糊控制器精度不高的问题,提出了一种CMAC网络与模糊并行控制器的设计方法以提高控制精度。该方法以模糊控制实现反馈控制,CMAC网络实现前馈控制,并采用模糊自适应混合遗传算法完成对模糊控制器中的量化因子与比例因子的寻优。仿真与实验测试结果表明了该并行控制器的有效性。④研究了智能电-气阀门定位器的仿人智能控制策略。针对智能电-气阀门定位器采用的积分分离PID控制算法存在的问题,提出了一种仿人智能控制算法。该算法依据智能电-气阀门定位器的系统自检得到气动调节阀的动态信息和辨识得到的模型信息,查询基于专家经验的参数知识库,完成仿人智能控制器运行控制级参数的整定;依据运行过程中的误差相轨迹和滞后时间等特征信息,结合专家规则,完成仿人智能控制器参数校正级的设计。并对气体泄漏量采取补偿措施,以减少由气体泄漏造成的不利影响。应用测试结果表明,参数自整定的仿人智能控制算法较之原智能电-气阀门定位器采用的积分分离的PID控制算法在调节时间与超调量等性能方面,均有显着提高。通过上述工作,本文研究了CMAC网络与模糊并行控制和仿人智能控制作为基于喷嘴-挡板原理的压电线圈式智能电-气阀门定位器控制策略各自的特点以及实际用中需要解决的问题。实际的应用测试证明了本文所提出的智能控制策略的有效性。
陈然[10](2010)在《汽车DCT智能控制及电控单元虚拟试验系统研究》文中指出双离合式自动变速器(DCT, dual clutch automatic transmission)通过两离合器的交替切换完成换挡过程,从根本上解决了机械式自动变速器(AMT)换挡动力中断带来的问题。它可以继续使用原有手动变速器的生产设备,生产继承性好,同时其具有很好的换挡品质和车辆动力性、经济性,非常适合我国国情。目前全球范围内的汽车DCT研究尚处于起步阶段,电子控制系统是DCT的关键技术,开展DCT电控系统的研究和产品化必将对提高我国自动变速器的自主开发能力具有积极的意义,为我国在汽车自动变速器领域赶超世界先进水平提供一次重要契机。为了满足整车动力性、经济性以及适应客户需求多样化,变速器电控系统的智能化复杂程度在不断提高,相应的开发难度也在不断增加,通过传统台架试验来对电控单元进行全面综合测试的传统方法,由于耗费大量人力物力,开发周期长,环境不稳定、可重复性差等缺点,已难以适应电控系统智能化、快速升级化的需求。虚拟试验技术作为一种先进的计算机仿真技术,它可以快速完成电控系统研发试验,缩减开发时间和费用,利用虚拟试验技术,可以开发出能够进行DCT电控单元ECU调试、检测及性能评估的虚拟环境,这对于高效、智能、低成本的进行DCT电控单元的开发和研制起到相当重要的作用。本文结合国家863高科技发展项目“经济型轿车高性能自动变速变速器开发”和重庆市科技攻关项目“自动变速器硬件在环仿真平台研究”的资助下重点进行了汽车DCT智能控制及电控单元虚拟试验系统的研究。具体工作内容如下:①系统地分析和研究了DCT车辆动力传动系统的特性,建立了相应的动力学模型。在系统分析DCT的扭矩传递动力学机理基础上,研究了不同工作状态及过渡过程中离合器扭矩传递动态特性,建立了DCT传动系统起步和换挡过程的动力学微分方程。分析了电子节气门的原理和特性,建立了节气门执行机构的非线性动力学模型。研究了基于永磁直流电动机的干式自动离合器执行机构原理和特性,建立了离合器执行机构的动力学模型。依据发动机的试验数据,提出了基于支持向量机的发动机模型辨识方法,研究支持向量机的核函数、损失函数及惩罚参数对系统辨识精度的影响,确定了各参数对模型精度影响的顺序,获得了使支持向量机网络辨识精度达到最优时各参数的取值,并以此建立了发动机转矩及油耗模型。为DCT智能控制策略的制定及电控单元虚拟试验奠定基础。②研究DCT智能控制体系结构。研制DCT电控系统的硬件,完成了电机、传感器等的选型,设计电控单元及接口电路。研究并提出基于分层递阶智能控制的DCT智能控制软件系统,建立基于感知层、中间控制策略层和执行层的DCT三层递阶智能控制结构,详细地分析基于野点剔除、数字滤波、测量算法三步法构成的DCT感知层的传感器信号软处理算法。解决了DCT复杂控制的协调合作问题,为DCT车辆智能控制系统设计提供了参考。③进行执行层控制算法研究。在对DCT中电动干式离合器的原理分析基础上,根据离合器执行机构的性能特点确定采用控制算法简捷且鲁棒性好的滑模控制算法,设计自适应模糊滑模控制器。较好地解决滑模控制的抖振及系统抗干扰问题,证明了控制系统的稳定性,为保证DCT精确控制提供了保障。④开展了DCT智能起步控制策略研究。综合考虑驾驶起步意图、发动机状态、离合器状态、冲击度、滑摩功等多方面因素,基于模糊智能控制方法,提出了双层模糊起步智能控制,制定了起步时离合器的接合模糊控制规则。试验结果证明所设计控制策略的正确性。⑤仿人式智能换挡规律研究。在综合了驾驶员—车辆—环境整个系统基础上,根据量化的驾驶员期望、节气门开度、相对车速及换挡经验模糊推理出驾驶期望,结合动力性因子,实时动态的修正换挡边界,给出了具体的仿人式智能换挡规律的设计方法。仿人式智能换挡规律不仅达到了动力性和经济性的协调,而且还可以避免在特殊行驶环境意外换挡现象,同时可以体现驾驶员意图,实现换挡规律由线到面的跨越。⑥DCT换挡过程控制研究。在分析DCT车辆换挡过程特点基础上,综合冲击度、滑摩功因素,根据离合器状态转移条件,以满足冲击度和滑摩功为边界条件,首次给出了换挡过程两离合器接合时序的定量计算公式方法,为DCT车辆换挡品质的控制提供了新的理论指导。⑦研制了DCT电控单元虚拟试验系统。利用Matlab/xPC Target、MATLAB/Simulink、Matlab/RTW并结合三维虚拟现实技术,将数据采集卡、微机、DCT电控单元、路由器等硬件相结合,研制了具有成本低廉、通用性强、人机交互、虚拟现实的DCT电控单元虚拟试验系统平台。并进行了DCT电控单元的性能试验与分析。试验结果表明:①所建立的DCT虚拟试验系统能够进行DCT电控单元控制系统开发;②所设计的DCT智能控制策略及执行器控制算法能够有效地控制汽车起步、换挡及在各种工况中有效行驶。验证了所设计的DCT智能控制的优劣性及虚拟试验平台的高效性。促进了DCT的产品化进程,为快速开发具有自主知识产权的DCT奠定了基础。
二、仿人智能控制的在线学习模型(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、仿人智能控制的在线学习模型(论文提纲范文)
(1)基于深度神经网络的智能车辆目标识别与学习控制方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景与研究意义 |
1.2 国内外智能驾驶车辆研究发展现状 |
1.3 智能驾驶车辆视觉目标识别方法研究概述 |
1.3.1 基于人工特征的视觉目标识别方法 |
1.3.2 基于深度学习的视觉目标识别方法 |
1.4 深度神经网络学习控制方法研究现状 |
1.4.1 深度增强学习方法研究进展 |
1.4.2 深度增强学习方法应用现状 |
1.5 论文主要研究工作 |
1.5.1 主要研究内容 |
1.5.2 论文组织结构 |
1.5.3 论文主要创新点 |
第二章 采用深度卷积特征的超限学习目标识别方法 |
2.1 引言 |
2.2 卷积神经网络及其特征学习原理 |
2.3 随机前馈神经网络原理 |
2.4 采用深度卷积特征的超限学习目标识别方法 |
2.4.1 深度卷积特征提取器设计 |
2.4.2 基于深度卷积特征的随机神经网络特征分类 |
2.4.3 德国交通路标识别数据库实验结果分析 |
2.4.4 比利时交通路标识别数据库实验结果分析 |
2.5 采用深度感知卷积特征的核超限学习交通路标识别方法 |
2.5.1 深度感知卷积特征学习 |
2.5.2 基于核超限学习机的随机神经网络特征分类 |
2.5.3 德国交通路标识别数据库实验结果分析 |
2.5.4 比利时交通路标识别数据库实验结果分析 |
2.6 本章小结 |
第三章 基于差分进化的分层稀疏自编码目标识别方法 |
3.1 引言 |
3.2 进化算法理论与差分进化原理 |
3.3 基于堆栈自编码网络的特征学习 |
3.3.1 自编码网络特征编码学习原理 |
3.3.2 堆栈自编码网络特征编码学习原理 |
3.3.3 随机堆栈自编码网络特征编码学习原理 |
3.4 基于差分进化的分层稀疏自编码目标识别方法 |
3.4.1 种群个体定义与合适度函数设计 |
3.4.2 种群个体变异与交叉进化 |
3.5 实验验证分析 |
3.5.1 标准多类识别数据库实验结果与分析 |
3.5.2 手写体字符识别及3D物体目标识别标准数据库实验结果与分析 |
3.5.3 交通路标识别标准数据库实验结果与分析 |
3.6 本章小结 |
第四章 采用深度编码特征的自适应启发评价学习控制 |
4.1 引言 |
4.2 自适应启发式评价算法原理 |
4.3 采用深度编码特征与小脑模型神经网络的自适应启发评价算法 |
4.4 仿真实验验证分析 |
4.4.1 Acrobot学习控制仿真验证实验 |
4.4.2 Mountain Car学习控制仿真验证实验 |
4.5 本章小结 |
第五章 基于深度神经网络的仿人驾驶学习控制 |
5.1 引言 |
5.2 模仿学习相关研究概述 |
5.3 采用深度卷积特征的超限学习车辆侧向运动控制方法 |
5.3.1 基于深度神经网络的车辆侧向运动控制问题描述 |
5.3.2 采用深度卷积特征的超限学习网络模型设计 |
5.4 实验验证分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 论文的工作总结 |
6.2 下一步工作的展望 |
致谢 |
参考文献 |
作者在学期间取得的学术成果 |
(2)天然气调压橇压力智能控制系统设计与开发(论文提纲范文)
摘要 |
abstract |
第1章 前言 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 调压橇压力控制系统控制方法 |
1.2.2 PID整定方法的改进及应用 |
1.2.3 仿人智能控制器应用研究现状 |
1.3 论文主要研究内容和结构安排 |
第2章 基于改进RBF_PID的调压橇压力控制器设计 |
2.1 RBF_PID控制器 |
2.1.1 RBF神经网络结构 |
2.1.2 RBF_PID控制器 |
2.2 改进RBF_PID控制器设计 |
2.3 基于多目标优化及多属性决策的RBF_PID参数初始化方案设计 |
2.3.1 基于NSGA∏算法的PID参数整定 |
2.3.2 基于多属性决策的PID参数选取 |
2.3.3 基于MATLAB的控制器参数初始化软件开发 |
2.4 仿真试验及结果分析 |
2.5 本章小结 |
第3章 调压橇仿人压力智能控制系统设计 |
3.1 调压橇压力控制系统特性分析 |
3.1.1 干扰的不确定性 |
3.1.2 电动调节阀连续死区特性 |
3.2 仿人压力智能控制系统设计 |
3.2.1 流量干扰控制器设计 |
3.2.2 PI控制器设计 |
3.2.3 仿人智能控制器设计 |
3.3 仿真实验及结果分析 |
3.3.1 干扰补偿模型参数辨识 |
3.3.2 控制效果测试 |
3.4 现场试验及结果分析 |
3.5 本章小结 |
第4章 调压橇压力控制器软件开发 |
4.1 控制器软件需求分析及结构介绍 |
4.1.1 控制器软件功能需求分析 |
4.1.2 控制器软件结构设计 |
4.2 功能模块的实现 |
4.2.1 通信模块的实现 |
4.2.2 人机交互模块的实现 |
4.2.3 控制模块的实现 |
4.3 控制器软件测试 |
4.3.1 功能测试 |
4.3.2 性能测试 |
4.4 本章小结 |
总结与展望 |
参考文献 |
攻读硕士学位期间取得的学术成果 |
致谢 |
(3)基于熟练驾驶员转向操纵特征的智能汽车仿人转向控制技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 智能汽车自动转向技术发展概述 |
1.2.2 驾驶员模型 |
1.2.3 智能汽车转向控制 |
1.3 本课题的提出 |
1.3.1 目前研究存在的不足 |
1.3.2 本课题的研究目的和意义 |
1.4 本文的研究内容和技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
第二章 熟练驾驶员转向特性参数采集及分析 |
2.1 熟练驾驶员实车道路转向试验数据采集 |
2.1.1 试验设备 |
2.1.2 驾驶员及试验车辆的选择 |
2.1.3 转向参数采集与处理 |
2.2 熟练驾驶员的转向特征分析 |
2.2.1 坐标系定义 |
2.2.2 坐标变换 |
2.2.3 熟练驾驶员转向操纵特征分析 |
2.3 不同工况下驾驶员转向特性分类研究 |
2.3.1 转向特征参数 |
2.3.2 主成分分析法降维 |
2.3.3 聚类分析方法比较 |
2.4 本章小结 |
第三章 熟练驾驶员的行车轨迹非线性拟合 |
3.1 车辆行驶轨迹的多项式拟合 |
3.1.1 普通右转/左转工况轨迹拟合 |
3.1.2 掉头工况轨迹拟合 |
3.1.3 车道保持工况轨迹拟合 |
3.1.4 换道工况轨迹拟合 |
3.1.5 分段函数衔接点处理 |
3.2 基于极限学习机的行车轨迹拟合 |
3.2.1 极限学习机原理 |
3.2.2 基于卡尔曼滤波优化的极限学习机 |
3.2.3 基于KFELM的车辆行驶轨迹非线性拟合 |
3.3 本章小结 |
第四章 基于模型预测控制的智能汽车驾驶员模型 |
4.1 模型预测控制概述 |
4.1.1 模型预测控制理论的发展 |
4.1.2 模型预测控制原理 |
4.2 基于模型预测控制的驾驶员建模过程 |
4.2.1 基于模型预测的驾驶员模型 |
4.2.2 车辆运动学建模 |
4.2.3 驾驶员模型的目标函数 |
4.2.4 驾驶员模型的约束条件 |
4.3 不同工况下驾驶员模型仿真验证 |
4.3.1 仿真模型 |
4.3.2 仿真结果 |
4.4 本章小结 |
第五章 基于仿人智能理论的智能汽车转向控制器设计与性能仿真 |
5.1 经典仿人智能控制理论 |
5.2 基于图式理论的HSIC |
5.2.1 感知图式定义及结构描述 |
5.2.2 运动图式定义及结构描述 |
5.2.3 关联图式定义及结构描述 |
5.3 基于动觉图式的仿人智能控制器的设计 |
5.3.1 复杂对象建模 |
5.3.2 多控制模态设计 |
5.4 智能汽车转向系统建模 |
5.4.1 新型EPS系统结构 |
5.4.2 自动转向系统动力学分析 |
5.4.3 等效转向阻力矩模型 |
5.5 智能汽车仿人转向控制器设计 |
5.6 仿人转向控制性能仿真 |
5.7 本章小结 |
第六章 智能汽车仿人转向控制系统台架试验 |
6.1 转向阻力矩模拟装置搭建 |
6.1.1 试验台硬件组成 |
6.1.2 磁粉制动器结构及工作原理 |
6.1.3 磁粉制动器特性分析 |
6.2 dSPACE简介 |
6.2.1 dSPACE系统组成 |
6.2.2 dSPACE开发流程 |
6.3 仿人转向系统快速控制原型试验 |
6.3.1 控制方案实施 |
6.3.2 试验设备 |
6.3.3 仿人转向系统快速控制原型试验平台 |
6.4 试验结果与性能分析 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
致谢 |
攻读博士学位期间取得的科研成果 |
(4)智能材料夹持器的驱动及控制系统研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 本文研究背景与意义 |
1.2 智能材料驱动夹持器研究现状 |
1.2.1 IPMC夹持器 |
1.2.2 SMA仿人手 |
1.2.3 气动软体夹持器 |
1.2.4 智能材料驱动夹持器研究面临的挑战 |
1.3 本文主要研究内容 |
第2章 新型IPMC二指夹持器输出力控制系统研究 |
2.1 引言 |
2.2 新型IPMC二指夹持器 |
2.2.1 压阻薄膜微力传感器 |
2.2.2 夹持器驱动特性研究 |
2.3 IPMC输出力Kriging模型 |
2.3.1 克里金法简介 |
2.3.2 IPMC输出力Kriging模型设计与验证 |
2.4 基于IPMC输出力Kriging模型的控制系统设计 |
2.4.1 Kriging预测控制器设计 |
2.4.2 Kriging预测-小波滤波控制器设计 |
2.4.3 KPWF前馈补偿SPSA参数调节PID控制器设计 |
2.5 新型IPMC二指夹持器实验系统及控制实验验证 |
2.5.1 实验系统的搭建 |
2.5.2 输出力跟踪控制实验与结果分析 |
2.6 本章小结 |
第3章 驱动感知一体IPMC夹持器输出位移控制系统研究 |
3.1 引言 |
3.2 IPMC输出位移蠕变现象建模 |
3.3 IPMC输出位移Hammerstein模型 |
3.3.1 Hammerstein模型简介 |
3.3.2 IPMC输出位移Hammerstein模型设计与验证 |
3.4 基于IPMC输出位移Hammerstein模型的控制系统设计 |
3.4.1 蠕变逆控制器设计 |
3.4.2 状态反馈鲁棒控制器设计 |
3.4.3 状态观测器设计 |
3.4.4 具有固定夹持力补偿的控制系统设计 |
3.5 驱动感知一体IPMC夹持器实验系统及控制实验验证 |
3.5.1 实验系统组成 |
3.5.2 输出位移跟踪控制实验与结果分析 |
3.6 本章小结 |
第4章 SMA仿人手强化学习控制系统研究 |
4.1 引言 |
4.2 SMA仿人手整体结构与硬件系统 |
4.2.1 SMA仿人手结构简介 |
4.2.2 SMA仿人手硬件组成 |
4.3 强化学习时序差分方法 |
4.3.1 Sarsa算法 |
4.3.2 Q-learning算法 |
4.3.3 ε-贪心算法 |
4.4 Q-learning算法在SMA仿人手控制系统的应用 |
4.4.1 Q-learning算法的状态量、动作量与奖惩值表 |
4.4.2 Q-learning算法实验与结果分析 |
4.5 Sarsa算法在SMA仿人手控制系统的应用 |
4.5.1 Sarsa算法的状态量、动作量与奖惩值表 |
4.5.2 Sarsa算法实验与结果分析 |
4.6 本章小结 |
第5章 气动软体夹持器驱动特性与控制系统研究 |
5.1 引言 |
5.2 气动软体手指建模 |
5.3 气动软体手指模型验证实验 |
5.3.1 驱动单元模块性能评价指标 |
5.3.2 伸展率实验与结果分析 |
5.3.3 刚度实验与结果分析 |
5.4 气动软体夹持器的制备 |
5.5 气动软体夹持器抓取操作实验研究 |
5.5.1 弯曲特性 |
5.5.2 弯曲与球形物体尺寸关系特性 |
5.6 气动软体夹持器智能化抓取功能研究 |
5.6.1 球形物体直径预测功能 |
5.6.2 自适应稳态抓取功能 |
5.6.3 自动分拣功能 |
5.7 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 论文创新性 |
6.3 研究展望 |
参考文献 |
附录 |
致谢 |
攻读博士学位期间取得的学术成果 |
A. 发表论文 |
B. 申请发明专利 |
C. 主要参与科研项目 |
D. 荣誉称号 |
个人简历 |
(5)适用于小型智能车的行驶路况评价及自主避障控制研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究方法 |
1.2.1 国外研究方法 |
1.2.2 国内研究方法 |
1.3 研究现状总结 |
1.4 本文主要工作及思路 |
2 基于BA-BP算法的行驶路况评价方法 |
2.1 行驶道路状况基本特征的选取和定义 |
2.1.1 路面平整度 |
2.1.2 路面弯曲度 |
2.1.3 动态障碍物 |
2.2 动态障碍物的主要特征提取 |
2.2.1 障碍物有效面积比 |
2.2.2 障碍系数 |
2.2.3 标准化处理 |
2.3 基于BA-BP算法的路况评价模型 |
2.3.1 BP神经网络 |
2.3.2 蝙蝠算法 |
2.3.3 BA-BP算法 |
2.3.4 基于BA-BP算法的路况评价模型 |
2.4 本章小结 |
3 基于强化学习的仿人智能控制算法的自主避障系统 |
3.1 控制方法的选取 |
3.2 仿人智能控制(HSIC) |
3.2.1 HSIC的基本思想 |
3.2.2 HSIC算法分析 |
3.2.3 HSIC结构流程图 |
3.3 基于强化学习的HSIC算法 |
3.3.1 HSIC算法的优点和不足 |
3.3.2 强化学习算法 |
3.3.3 基于强化学习的HSIC参数学习和优化 |
3.4 避障策略的参数计算 |
3.4.1 避障轨迹的规划 |
3.4.2 避障最小安全距离 |
3.4.3 避障的转弯半径 |
3.4.4 加速度 |
3.5 基于强化学习和HSIC算法的自主避障控制系统 |
3.5.1 控制器的设计思路 |
3.5.2 运行控制级 |
3.5.3 参数校正级 |
3.6 本章小结 |
4 实验与分析 |
4.1 行驶路况评价的实验分析 |
4.1.1 道路与障碍物检测试验 |
4.1.2 特征数据采集与处理 |
4.1.3 基于BA-BP算法的行驶路况评价模型实验 |
4.1.4 对比分析实验 |
4.2 智能车自主避障的实验分析 |
4.2.1 避障控制实验 |
4.2.2 避障对比实验 |
4.3 本章小结 |
5 结论与展望 |
5.1 论文工作总结 |
5.2 进一步工作展望 |
参考文献 |
作者简历及攻读硕士/博士学位期间取得的研究成果 |
学位论文数据集 |
(6)基于仿人智能的两轮轮式机器人运动控制实现(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 引言 |
1.2 选题背景与研究意义 |
1.3 两轮轮式机器人运动控制问题概述 |
1.4 国内外TWMR点镇定研究现状 |
1.5 国内外TWMR轨迹跟踪研究现状 |
1.6 本文研究的内容和结构安排 |
2 基于BACKSTEPPING的TWMR运动控制研究 |
2.1 引言 |
2.2 两轮轮式移动机器人模型 |
2.2.1 TWMR结构模型 |
2.2.2 两轮轮式移动机器人运动学模型 |
2.2.3 两轮轮式机器人调速系统“类等效”模型 |
2.3 Backstepping方法控制器设计 |
2.3.1 Backstepping控制方法简介 |
2.3.2 Backstepping方法的基本原理 |
2.4 设计基于Backstepping的TWMR点镇定控制器 |
2.5 设计基于backstepping的TWMR轨迹跟踪控制器 |
2.6 TWMR的Backstepping仿真实验平台 |
2.6.1 仿真实验平台 |
2.6.2 基于backstepping的TWMR点镇定仿真 |
2.6.3 基于Backstepping的TWMR轨迹跟踪仿真 |
2.7 本章小结 |
3 基于仿人智能的TWMR运动控制研究 |
3.1 引言 |
3.2 仿人智能控制与神经网络理论 |
3.2.1 仿人智能控制理论研究 |
3.2.2 神经网络理论研究 |
3.2.3 仿人智能控制与神经网络的结合 |
3.3 自适应仿人智能控制器的基本结构 |
3.4 仿人智能控制动态特征感知及特征分析 |
3.4.1 仿人智能控制动态特征感知 |
3.4.2 TWMR控制动态特征分析 |
3.5 自适应仿人智能控制器介绍 |
3.5.1 底层执行层 |
3.5.2 动态参数自适应调整层 |
3.5.3 任务协调层 |
3.6 TWMR的自适应仿人智能控制仿真平台 |
3.6.1 搭建TWMR类等效仿真实验平台 |
3.6.2 基于自适应仿人智能控制的TWMR点镇定仿真 |
3.6.3 TWMR点镇定仿真对比 |
3.6.4 基于自适应仿人智能控制的TWMR轨迹跟踪仿真 |
3.6.5 TWMR轨迹跟踪仿真对比 |
3.7 电机模型变化下的控制器对比 |
3.8 本章小结 |
4 TWMR实验平台及实验研究 |
4.1 引言 |
4.2 基于新型直流双闭环驱动器的TWMR实验平台介绍 |
4.2.1 控制器模块 |
4.2.2 电机模块 |
4.2.3 驱动模块 |
4.2.4 数据采集模块 |
4.2.5 电源模块单元 |
4.3 TWMR通讯协议设计 |
4.4 TWMR实际系统实验及分析 |
4.4.1 基于自适应仿人智能控制器的TWMR点镇定实验 |
4.4.2 基于自适应仿人智能控制器的TWMR轨迹跟踪实验 |
4.5 本章小结 |
5 总结和展望 |
致谢 |
参考文献 |
(7)三轮全向移动机器人轨迹跟踪仿人智能控制(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 课题研究背景和意义 |
1.2 全方位移动机器人简介 |
1.3 全方位移动机器人的研究现状 |
1.4 全方位移动机器人的运动控制研究 |
1.5 移动机器人轨迹跟踪控制研究现状 |
1.6 本文的研究内容和结构 |
2 仿人智能轨迹跟踪控制器研究 |
2.1 仿人智能控制理论与神经网络理论简介 |
2.1.1 仿人智能控制原理 |
2.1.2 仿人智能控制理论基本概念 |
2.1.3 神经网络概述及算法改进 |
2.1.4 仿人智能控制与神经网络的结合 |
2.2 三层仿人智能轨迹跟踪控制器结构 |
2.3 动态特征感知以及轨迹跟踪动态特征分析 |
2.3.1 仿人智能控制动态特征感知 |
2.3.2 轨迹跟踪动态特征感知 |
2.4. 三层结构仿人智能轨迹跟踪控制器 |
2.4.1 底层执行层 |
2.4.2 动态参数自适应调整层 |
2.4.3 任务协调层 |
2.5 本章小结 |
3 基于“类等效”的机器人系统建模与仿真 |
3.1 坐标系定义 |
3.2 运动学建模 |
3.3 动力学建模 |
3.4 直流双闭环驱动系统“类等效”模型 |
3.4.1 “类等效”建模 |
3.4.2 双闭环驱动系统“类等效”模型 |
3.5 里程计模型 |
3.6 基于仿人智能的轨迹跟踪控制器仿真与分析 |
3.6.1 位置单闭环神经网络控制器(PNN 控制器) |
3.6.2 位置与速度双闭环神经网络控制器(PVNN 控制器) |
3.6.3 仿人智能轨迹跟踪控制器(HSIC 控制器) |
3.6.4 三种控制器对比试验与分析 |
3.7 本章小结 |
4 全向移动机器人平台搭建与实验 |
4.1 机器人结构介绍 |
4.2 机器人控制系统结构 |
4.2.1 运动控制器介绍 |
4.2.2 D/A 转换电路模块 |
4.2.3 电机驱动单元 |
4.2.4 电源模块单元 |
4.3 软件通信系统设计 |
4.4 实验结果与分析 |
4.5 本章小结 |
5 总结与展望 |
致谢 |
参考文献 |
附录 |
A. 作者在攻读硕士学位期间发表论文目录 |
(8)多模式仿人智能控制器的设计方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 控制理论研究的发展及现状 |
1.2 控制理论研究的意义 |
1.3 研究内容及工作 |
1.4 本章小结 |
第二章 传统控制理论浅析 |
2.1 传统控制理论的再分析 |
2.1.1 传统控制的暂态响应 |
2.1.2 传统控制理论的不足 |
2.1.2.1 数学模型明确 |
2.1.2.2 暂态与稳态 |
2.1.2.3 单一固定控制模式 |
2.2 反馈与反馈控制 |
2.2.1 开环控制系统的缺陷 |
2.2.2 常规反馈控制 |
2.2.3 变阻尼反馈控制 |
2.2.4 滑动模态变结构的反馈控制 |
2.2.5 阻尼与反馈 |
2.3 超调与能量余度 |
2.3.1 能量余度 |
2.3.2 反向控制 |
2.4 对传统控制分析的结论 |
2.5 本章小结 |
第三章 智能控制简介 |
3.1 智能控制发展 |
3.2 智能控制理论的主要内容 |
3.3 智能控制的类型 |
3.4 仿人智能控制 |
3.4.1 仿人智能控制的基本算法模型 |
3.4.2 仿人智能的控制算法发展现状 |
3.5 本章小结 |
第四章 多模式仿人智能控制器设计方法 |
4.1 多模式智能控制器的设计理论依据 |
4.1.1 单模式与多模式控制 |
4.1.2 开环与闭环 |
4.1.3 稳态过程与暂态过程 |
4.1.4 能量余度与反向控制 |
4.1.5 智能积分与稳态激励 |
4.2 智能积分器的设计方法 |
4.2.1 常规积分器原理和不足 |
4.2.2 非线性积分器的比较 |
4.2.3 智能积分器谐波分析比较 |
4.2.4 能积分器设计要求及应用 |
4.3 多模式仿人智能控制器的设计理论 |
4.4 本章小结 |
第五章 多模式仿人智能控制算法设计分析 |
5.1 典型的多模式仿人智能控制器算法结构 |
5.2 三种典型多模式智能控制算法设计 |
5.2.1 多模式智能PPH 控制器设计与参数整定 |
5.2.1.1 PPH 控制器的结构及算法 |
5.2.1.2 多模式PPH 控制系统阶跃响应误差的特征信息及响应分析 |
5.2.2 多模式智能PID 控制器设计与参数整定 |
5.2.2.1 多模式智能PID 控制器结构与算法设计 |
5.2.2.2 多模式智能PID 控制器参数整定 |
5.2.3 基于偏差分段的多模式智能控制器设计与分析 |
5.3 本章小结 |
第六章 系统设计实例与仿真 |
6.1 智能 PPH 控制仿真 |
6.2 多模式智能 PID 控制仿真 |
6.3 偏差分段多模式智能控制器仿真 |
6.4 本章小结 |
第七章 结论与展望 |
7.1 本论文研究总结 |
7.2 研究展望 |
致谢 |
参考文献 |
作者攻硕期间取得的研究成果 |
(9)智能电—气阀门定位器智能控制策略研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 引言 |
1.2 电-气阀门定位器 |
1.2.1 传统的电-气阀门定位器 |
1.2.2 智能电-气阀门定位器 |
1.3 气动控制系统的研究现状及存在问题 |
1.3.1 气动系统的控制算法 |
1.3.2 气动控制系统存在的问题 |
1.4 智能控制策略分析 |
1.4.1 智能控制的基本方法 |
1.4.2 模糊控制策略分析 |
1.4.3 仿人智能控制策略分析 |
1.5 课题的研究背景与意义 |
1.6 论文组织结构及主要内容 |
2 气动执行器与阀门定位器特性研究 |
2.1 引言 |
2.2 气动执行器 |
2.2.1 执行单元 |
2.2.2 气动执行器 |
2.3 气动执行器特性分析 |
2.3.1 流量特性分析 |
2.3.2 阀头特性分析 |
2.3.3 阀芯特性分析 |
2.4 电-气转换器特性分析 |
2.5 本章小结 |
3 基于改进遗传算法的模糊控制策略研究 |
3.1 引言 |
3.2 改进的遗传算法设计 |
3.2.1 标准遗传算法 |
3.2.2 改进的遗传算法分析 |
3.2.3 模糊自适应遗传算法设计 |
3.2.4 模糊自适应混合遗传算法设计 |
3.3 基于模糊自适应混合遗传算法的模糊控制器优化 |
3.3.1 仿真对象 |
3.3.2 模糊控制精度分析 |
3.3.3 模糊自适应混合遗传算法优化模糊控制器的因子 |
3.3.4 模糊自适应混合遗传算法优化模糊控制器隶属函数 |
3.4 本章小结 |
4 CMAC 网络与模糊并行控制策略研究 |
4.1 引言 |
4.2 CMAC 网络分析 |
4.2.1 CMAC 神经网络的基本结构和学习算法 |
4.2.2 仿真实验 |
4.3 CMAC 算法在控制方面的应用 |
4.4 CMAC 网络与模糊并行控制器分析 |
4.4.1 CMAC 网络与模糊并行控制器设计 |
4.4.2 仿真研究 |
4.5 实验测试 |
4.6 本章小结 |
5 仿人智能控制策略研究 |
5.1 引言 |
5.2 仿人智能控制 |
5.2.1 仿人智能控制的基本概念 |
5.2.2 仿人智能控制系统的设计依据 |
5.2.3 仿人智能控制算法设计步骤 |
5.2.4 仿真研究 |
5.3 应用研究 |
5.3.1 一种仿人智能控制算法设计 |
5.3.2 自检与参数整定 |
5.3.3 实验测试 |
5.4 本章小结 |
6 总结与展望 |
6.1 主要研究工作 |
6.2 主要创新点 |
6.3 研究不足与展望 |
致谢 |
参考文献 |
附录 |
附录A 作者在攻读学位期间发表的论文目录 |
附录B 作者在攻读博士学位期间参加的科研项目 |
附录C 调节阀性能对控制系统的影响 |
(10)汽车DCT智能控制及电控单元虚拟试验系统研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 背景及意义 |
1.2 DCT 结构、原理及关键技术 |
1.2.1 结构与原理 |
1.2.2 关键技术 |
1.3 DCT 控制系统的研究现状与发展动态 |
1.3.1 动力学模型 |
1.3.2 执行机构控制 |
1.3.3 起步控制 |
1.3.4 换挡规律 |
1.3.5 换挡过程控制 |
1.4 DCT 电控单元虚拟试验原理、方法及现状 |
1.4.1 虚拟试验概念及原理 |
1.4.2 电控单元虚拟试验系统方法与特点 |
1.4.3 DCT 虚拟试验系统现状及选型 |
1.5 论文的研究主要内容及重点 |
1.5.1 论文的主要研究内容 |
1.5.2 课题研究的技术路线 |
2 DCT 动力传动系统建模 |
2.1 引言 |
2.2 发动机模型 |
2.2.1 支持向量机基础 |
2.2.2 发动机SVM 网络拓朴结构 |
2.2.3 各参数优化及确定 |
2.2.4 发动机模型 |
2.3 DCT 系统的动力学模型 |
2.3.1 DCT 起步动力学分析 |
2.3.2 DCT 换挡动力学分析 |
2.4 整车动力学模型 |
2.5 离合器动力学模型 |
2.5.1 离合器扭矩传递模型 |
2.5.2 离合器状态切换 |
2.6 执行机构模型 |
2.6.1 节气门执行机构数学模型 |
2.6.2 离合器执行机构数学模型 |
2.7 本章小结 |
3 DCT 智能控制体系结构 |
3.1 引言 |
3.2 DCT 控制体系结构 |
3.3 DCT 硬件系统 |
3.3.1 传感器 |
3.3.2 TCU 处理器 |
3.3.3 外围接口电路 |
3.4 DCT 控制系统软件 |
3.4.1 分层递阶智能控制 |
3.4.2 DCT 分层递阶智能控制结构 |
3.5 本章小结 |
4 执行层控制算法 |
4.1 引言 |
4.2 离合器执行机构控制特点 |
4.3 滑模变结构控制理论 |
4.3.1 滑动模态定义及数学表达 |
4.3.2 滑模变结构控制定义 |
4.3.3 滑模变结构控制特性 |
4.3.4 滑模变结构控制设计方法 |
4.4 离合器执行机构控制器设计 |
4.4.1 执行机构状态方程 |
4.4.2 自适应模糊滑模控制(AFSMC) |
4.4.3 Lyapunov 稳定性证明 |
4.5 AFSMC 控制系统仿真及实验分析 |
4.5.1 控制系统数字仿真 |
4.6 本章小结 |
5 中间层控制策略研究 |
5.1 引言 |
5.2 起步过程智能控制策略 |
5.2.1 离合器接合过程分析 |
5.2.2 起步控制目标 |
5.2.3 起步模糊控制系统 |
5.2.4 起步纯数字仿真 |
5.3 仿人式智能换档规律设计 |
5.3.1 驾驶意图和行驶环境识别 |
5.3.2 仿人式智能换挡规律设计 |
5.3.3 换挡规律分析 |
5.3.4 纯数字仿真分析 |
5.4 换挡过程控制 |
5.4.1 换挡过程控制目标 |
5.4.2 升档过程控制 |
5.4.3 降档过程控制 |
5.4.4 换挡过程纯数字仿真 |
5.5 本章小结 |
6 DCT 电控单元虚拟试验系统研制与试验分析 |
6.1 引言 |
6.2 DCT 电控单元虚拟试验平台总体方案 |
6.3 DCT 电控单元软件在环虚拟试验研制 |
6.3.1 实时平台 |
6.3.2 软件部分 |
6.4 DCT 电控单元硬件在环虚拟试验研制 |
6.4.1 实时平台 |
6.4.2 软件部分 |
6.5 DCT 虚拟试验分析 |
6.5.1 电子节气门试验 |
6.5.2 离合器执行器试验 |
6.5.3 起步智能控制试验 |
6.5.4 换挡过程控制试验 |
6.5.5 综合智能换挡规律试验 |
6.6 本章小结 |
7 全文总结 |
7.1 论文主要研究工作及结论 |
7.2 论文的主要创新点和继续研究的方向 |
7.2.1 创新点 |
7.2.2 继续研究方向 |
致谢 |
参考文献 |
附录 |
A.作者在攻读博士学位期间发表的论文目录 |
B.作者在攻读博士学位期间参加的科研项目 |
四、仿人智能控制的在线学习模型(论文参考文献)
- [1]基于深度神经网络的智能车辆目标识别与学习控制方法研究[D]. 曾宇骏. 国防科技大学, 2018(01)
- [2]天然气调压橇压力智能控制系统设计与开发[D]. 王增涛. 中国石油大学(华东), 2018(07)
- [3]基于熟练驾驶员转向操纵特征的智能汽车仿人转向控制技术研究[D]. 华一丁. 江苏大学, 2018(02)
- [4]智能材料夹持器的驱动及控制系统研究[D]. 陈洋. 东北大学, 2018
- [5]适用于小型智能车的行驶路况评价及自主避障控制研究[D]. 吕丹丹. 北京交通大学, 2016(07)
- [6]基于仿人智能的两轮轮式机器人运动控制实现[D]. 于今. 重庆大学, 2015(06)
- [7]三轮全向移动机器人轨迹跟踪仿人智能控制[D]. 蔡礼松. 重庆大学, 2014(01)
- [8]多模式仿人智能控制器的设计方法研究[D]. 谭飞. 电子科技大学, 2011(07)
- [9]智能电—气阀门定位器智能控制策略研究[D]. 时光. 重庆大学, 2011(12)
- [10]汽车DCT智能控制及电控单元虚拟试验系统研究[D]. 陈然. 重庆大学, 2010(01)