一种无人地面车的轨迹跟踪控制方法

针对无人地面车辆经典轨迹跟踪控制方法的不足,提出了一种基于无人地面车辆运动学模型的轨迹跟踪控制算法。在算法中引入了位姿的纵坐标误差,以加快跟踪的逼近速度,并利用人工驾驶的思想,采用了一种位一姿交替控制的方法,使路径跟踪既准确又快速。仿真结果表明：该方法是有效的,且可使无人地面车具有更好的跟踪性能。     

一种可移动式科氏流量计实验平台设计与实现

为提高科氏流量计的计量精度,促进相关数字信号处理方法与技术的发展和进口高精度科氏流量计的国产化,设计了一种可移动式科氏流量计实验平台。简述了科氏流量计的基本原理和相关数字信号的处理方法,指明了相关方法的研究趋势。针对研究趋势,分析了科氏流量计实验平台的功能需求,给出了总体设计方案、硬件选型、软件流程和技术指标,重点阐述了数据采集模块(以PLC和NI9234为核心部件)的详细设计,给出了实验平台的初步测试结果。测试表明,该实验平台性能稳定,功能全面,能较好地为开展科氏流量计相关数字信号处理方法研究提供平台支撑。     

基于多传感器径向速度测量的目标跟踪方法

针对基于位置信息的目标跟踪在初始跟踪和运动模型变化阶段航向估计精度低的情况,利用传感器径向速度测量精度较高的特性,提出了一种基于多传感器径向速度测量的目标跟踪方法,解决数据更新周期长、定位精度低情况下目标跟踪的精度问题。仿真实验证明采用文中所提方法对跟踪精度有较大的提高。     

一种舰炮武器系统手动跟踪及射击控制方法

针对常规舰炮武器系统对低照度、低反射面积目标无法自动跟踪和有效测距的情况,设计了一种基于光电传感器目标视频的手动跟踪及射击控制方法。操作手控制跟踪器对目标实时瞄准,并通过激光测距或距离装定,以获取目标的量测数据。该方法原理简单、成本低、易于实现,并且具有诸元快速校正功能,已成功应用于工程实践,并经过试验验证,可以有效提高系统对该类目标的作战能力。     

无线传感器网络中多传感器动态自适应调度算法

无线传感器网络中,目标跟踪往往通过节点之间的协作完成。在无迹变换卡尔曼滤波基础上,提出一种多传感器动态自适应调度算法进行目标跟踪。该方法根据预测跟踪精度来确定采样间隔,然后基于特定的检测概率,为下一时刻选择一组传感器,形成一个临时工作组,并指定某一个传感器作为中心节点进行数据融合。仿真结果证明了该算法能有效提高跟踪精度和可靠性。     

一种纯方位跟踪中的在线式伪线性算法

针对伪线性参数估计不能进行实时状态跟踪的问题,讨论了一种新的在线式的伪线性跟踪算法.对算法的实现过程进行了推导,并应用于纯方位目标的跟踪问题中.仿真结果表明,与传统累积形式的伪线性跟踪算法相比,该算法在保证一定精度的同时,能够降低每个估计时刻的计算量,减少计算占用的资源,是一种有效的算法.     

基于阶次跟踪和BP网络的齿轮箱故障模式识别

在对齿轮箱的原始振动信号进行时域采样的基础上,利用小波包分析对其进行消噪,然后对得到的数据进行角域重采样,得到基于阶次跟踪的采样信号,再对该信号进行特征参量提取,最后利用BP网络对得到的故障特征参量集进行模式识别。该方法能够避免传统分析方法中难以克服的“频率模糊”现象,对于瞬态信号有较好的分析处理能力,是对传统频谱分析法的有力补充。     

基于采样卡尔曼滤波的水下被动目标跟踪

针对水下被动目标跟踪问题中,采用直角坐标系容易出现滤波发散,而修正极坐标系下过程模型强非线性的问题,研究了一种修正极坐标系下的采样卡尔曼滤波算法.采样卡尔曼滤波比传统的扩展卡尔曼滤波更好地逼近状态方程和测量方程的非线性特性,给出更精确的均值和协方差的估计,并且适用于过程噪声与状态估计非线性耦合的情况.在修正极坐标系下,采用3种滤波方法求解被动目标跟踪问题,仿真结果表明,采样卡尔曼滤波的滤波精度优于传统的扩展卡尔曼滤波方法和自适应扩展卡尔曼滤波方法.     

基于SNF的一种检测和跟踪性能优化方法

对于一个监视系统,跟踪性能的优化要求检测系统和跟踪系统通过引入反馈进行联合设计,针对最大量测幅值邻域滤波器(SNF),提出了先验和后验检测跟踪优化准则,通过分析得出先验优化准则不可行这一结论,而利用后验优化准则同时对检测阈值和门值的联合优化,仿真结果表明,用后验优化准则进行检测和跟踪性能优化,不仅具有比恒虚警率更好的跟踪精度,而且其计算代价也大为降低.     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.