-
公开(公告)号：CN117724336B
公开(公告)日：2024-06-11
申请号：CN202311736797.7
申请日：2023-12-18
Applicant: 中国矿业大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于状态和估计参数触发的机器人系统跟踪控制方法，如下：首先建立具有n关节的机器人系统动力学模型；然后构建由状态触发和估计参数触发共同构成的双事件触发机制；接着在未考虑任何事件触发机制的情况下设计常规的神经网络自适应控制器；随后基于该控制器结构设计基于双事件触发机制的神经网络自适应控制方案；最后建立关于所构建的双事件触发机制带来的误差的限制性条件，通过结合该限制性条件和李雅普诺夫稳定性理论分析出系统的稳定性。本发明的基于双事件触发机制的神经网络自适应控制方法不存在芝诺现象，不仅能够保证关节角位移紧密地跟踪期望轨迹，而且可以显著减少传感器到控制器之间的信号传送负担和计算负担。
-
公开(公告)号：CN117724336A
公开(公告)日：2024-03-19
申请号：CN202311736797.7
申请日：2023-12-18
Applicant: 中国矿业大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于状态和估计参数触发的机器人系统跟踪控制方法，如下：首先建立具有n关节的机器人系统动力学模型；然后构建由状态触发和估计参数触发共同构成的双事件触发机制；接着在未考虑任何事件触发机制的情况下设计常规的神经网络自适应控制器；随后基于该控制器结构设计基于双事件触发机制的神经网络自适应控制方案；最后建立关于所构建的双事件触发机制带来的误差的限制性条件，通过结合该限制性条件和李雅普诺夫稳定性理论分析出系统的稳定性。本发明的基于双事件触发机制的神经网络自适应控制方法不存在芝诺现象，不仅能够保证关节角位移紧密地跟踪期望轨迹，而且可以显著减少传感器到控制器之间的信号传送负担和计算负担。
-
公开(公告)号：CN116027809B
公开(公告)日：2023-07-18
申请号：CN202310070807.1
申请日：2023-02-07
Applicant: 中国矿业大学
IPC: G05D1/10
Abstract: 本发明公开了一种DoS攻击下的多四旋翼无人机编队控制方法，涉及多无人机协同控制领域，包括：建立四旋翼无人机的奇异摄动数学模型；利用奇异摄动技术，将高阶的四旋翼无人机奇异摄动模型分解为低阶快和慢子系统；对独立发生在多四旋翼无人机之间的通信信道上的DoS攻击建模；针对位置慢子系统，配置分布式弹性位置子控制器；针对姿态慢子系统，配置姿态滑模控制器；针对快子系统，配置线性二次调节控制器确保四旋翼无人机的飞行性能和稳定性。本发明基于奇异摄动理论，提出了一种分解‑组合的编队控制框架，降低了编队控制器配置的复杂性，同时考虑多个四旋翼无人机的通信信道发生DoS攻击的情况，配置了抗DoS攻击的分布式编队控制器。
-
公开(公告)号：CN115906928B
公开(公告)日：2023-05-16
申请号：CN202211490758.9
申请日：2022-11-25
Applicant: 中国矿业大学
IPC: G06N3/0455 , G06N3/084 , G01S15/93
Abstract: 本发明公开了一种基于双通道自注意力的Transformer UUV三维自主避碰规划方法，设计了双通道自注意力模型并行捕捉双模态多传感器的观测特征；构建了基于Transformer的网络模型执行端到端的UUV三维自主避碰决策；利用编码器‑解码器的结构实现基于历史观测和时序决策的UUV避碰规划。与现有方法相比，本发明可以基于双模态多传感器观测进行端到端的UUV自主避碰规划，能够大幅度提高UUV避碰规划的快速性，摆脱UUV避碰规划对传感器高精度稳定观测的依赖，解决观测失效或目标丢失情况下的UUV自主避碰规划问题。
-
公开(公告)号：CN113989327B
公开(公告)日：2023-04-07
申请号：CN202111251248.1
申请日：2021-10-27
Applicant: 中国矿业大学
IPC: G06T7/246 , G06N3/0464 , G06N3/08 , G01S15/66
Abstract: 本发明公开了一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，对一段时域内目标观测状态进行采样，利用采样粒子拟合非高斯观测噪声的分布；建立基于卷积神经网络的预测网络描述非线性的声呐观测模型以及目标相对UUV的运动模型，对目标运动状态进行预测；利用卷积层和池化层的组合赋予预测网络一定的不变性，提高预测网络对不确定观测的适应能力。与现有方法相比，本发明可解决非线性非高斯强机动的UUV目标状态估计问题，克服由非高斯观测噪声导致的目标状态估计精度低和稳定性差等问题，摆脱了目标状态估计方法对目标观测时序性的依赖，使得本发明具有根据时序紊乱的目标观测，以高精度和强稳定性估计目标运动状态的能力。
-
Patent Agency Ranking
公开(公告)号：CN114063458B
公开(公告)日：2022-05-20
申请号：CN202111374061.0
申请日：2021-11-19
Applicant: 中国矿业大学
IPC: G05B13/04
Abstract: 本发明公开了一种非三角结构系统不依赖初始条件的预设性能控制方法，具体思路如下：首先建立非三角结构非线性系统的动力学模型；然后利用神经网络与变量分离技术构建一种结构简单的状态观测器；接着构造具有特定性质的转移转换函数对跟踪误差作非线性变换；最后利用受限李雅普诺夫函数理论设计基于输出反馈且不依赖于初始条件的预设性能控制器。本发明的预设性能控制方法能够保证跟踪误差从任意有界初值以给定的速度在给定的时间内收敛到给定的精度范围内，不仅消除了常规预设性能控制方法必须满足的初始条件约束，而且实现了跟踪误差收敛到给定的精度范围内的时间的可预先设定，提高了预设性能控制方法的实用性。
-
公开(公告)号：CN113989327A
公开(公告)日：2022-01-28
申请号：CN202111251248.1
申请日：2021-10-27
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，对一段时域内目标观测状态进行采样，利用采样粒子拟合非高斯观测噪声的分布；建立基于卷积神经网络的预测网络描述非线性的声呐观测模型以及目标相对UUV的运动模型，对目标运动状态进行预测；利用卷积层和池化层的组合赋予预测网络一定的不变性，提高预测网络对不确定观测的适应能力。与现有方法相比，本发明可解决非线性非高斯强机动的UUV目标状态估计问题，克服由非高斯观测噪声导致的目标状态估计精度低和稳定性差等问题，摆脱了目标状态估计方法对目标观测时序性的依赖，使得本发明具有根据时序紊乱的目标观测，以高精度和强稳定性估计目标运动状态的能力。
-
公开(公告)号：CN118688807B
公开(公告)日：2024-12-20
申请号：CN202410706764.6
申请日：2024-06-03
Applicant: 中国矿业大学
IPC: G01S15/66
Abstract: 本发明公开了一种基于轴向注意力的UUV非合作目标跟踪方法。本发明针对前视声呐观测的不可靠性、目标运动的不可预测性，构建带有记忆的一阶马尔可夫状态空间模型描述声呐观测下UUV非合作目标跟踪机理，并提出一种基于轴向注意力Transformer的非合作目标状态多步预测网络，用于描述非线性观测下，非合作目标相对声呐的复杂运动过程。针对观测的不稳定性及后验分布的未知性，基于Monte Carlo近似推断原理，利用该多步预测网络将目标观测状态空间中的采样粒子映射到目标预测状态空间，构建基于轴向注意力的目标跟踪方法，提高UUV非合作目标跟踪对不确定输入的适应性和鲁棒性。
-
公开(公告)号：CN117826819A
公开(公告)日：2024-04-05
申请号：CN202410004949.2
申请日：2024-01-02
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于自适应动态窗口法的UUV三维避障规划方法，构建了一种基于Tanhshrink函数的与目标距离相关的艏向评价函数，针对陷阱障碍物，设计了艏向评价函数的自适应调整策略；构建了一种与UUV巡航速度相关的速度评价函数，针对动态障碍物，设计了速度评价函数的自适应调整策略。与现有方法相比，本发明可基于自适应的动态窗口法进行自适应的UUV避障规划，有效提高了UUV轨迹的平滑性，有效提高了算法对复杂环境的适应性。
-
公开(公告)号：CN116820100B
公开(公告)日：2024-02-27
申请号：CN202310748225.4
申请日：2023-06-25
Applicant: 中国矿业大学
Abstract: 本发明公开了一种欺骗攻击下的无人车编队控制方法，包括以下步骤：(1)考虑将一个无人车作为一个通信节点，根据通信节点建立通信拓扑关系；(2)构建无人车的系统动态模型，包括领航者和跟随者系统动态模型；(3)考虑网络安全问题，建立欺骗攻击动态模型；(4)提出了一种基于脉冲攻击信号补偿器的时变编队控制协议，并建立相应的动态误差系统模型；(5)基于李亚普诺夫理论，给出误差系统稳定的充分条件，得到编队跟踪误差界。本发明的所提供的控制方法能够在保证一定精度下实现了时变输出编队，并且可以降低实际系统的通信量，同时有效地抵御欺骗攻击。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.023 seconds)
