在进行实时对抗的任务中,对于敌方的动作识别较为困难,需要根据对方的移动轨迹或行为来分析对方的意图,预测其未来目标,构建规划策略库.针对此问题,提出基于数据驱动的多智能体识别算法,该算法首先采用基于自动机的特征提取方法,获得规...在进行实时对抗的任务中,对于敌方的动作识别较为困难,需要根据对方的移动轨迹或行为来分析对方的意图,预测其未来目标,构建规划策略库.针对此问题,提出基于数据驱动的多智能体识别算法,该算法首先采用基于自动机的特征提取方法,获得规划需要的位置和任务信息;然后将规划识别问题转换为多分类问题,并从单智能体角度切入,给出了一种基于极端梯度提升(extreme gradient boosting,XGBoost)的多分类模型;之后,对于多智能体之间可能存在的合作行为,使用无监督学习的一种基于密度对噪声鲁棒的空间聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对多智能体进行分簇,以促进协同合作.对于同簇智能体,构建了一种针对多智能体的多分类模型,完成对多智能体的目标预测.在获悉敌方目标后,提出基于博弈的围捕逼停算法,构建非合作动态博弈模型,通过求解纳什均衡得到应对敌方的最优策略.最后,通过仿真验证了所提出算法的有效性.展开更多
精确的轨迹跟踪是智能驾驶汽车实现自主运动控制的关键。针对系统不确定性影响轨迹跟踪控制精度的问题,提出了一种新型鲁棒自适应滑模控制策略。首先,根据车辆运动学原理建立二自由度车辆动力学模型;然后,基于轨迹跟踪误差设计具有自适...精确的轨迹跟踪是智能驾驶汽车实现自主运动控制的关键。针对系统不确定性影响轨迹跟踪控制精度的问题,提出了一种新型鲁棒自适应滑模控制策略。首先,根据车辆运动学原理建立二自由度车辆动力学模型;然后,基于轨迹跟踪误差设计具有自适应性的比例积分微分(proportional integral derivative,PID)型滑模面,通过设计自适应更新律实时在线估计滑模控制增益和系统不确定性的上界,提高了轨迹跟踪控制的精度和鲁棒性。之后,利用粒子群优化算法优化了控制器的控制参数,进一步改善了轨迹跟踪控制性能。最后,在不同路面和车速条件下对所提控制策略进行仿真验证。仿真结果表明,所提控制策略能够保证智能驾驶汽车在系统不确定性影响下跟踪目标轨迹,控制性能优于分数阶PID控制。展开更多
文摘在进行实时对抗的任务中,对于敌方的动作识别较为困难,需要根据对方的移动轨迹或行为来分析对方的意图,预测其未来目标,构建规划策略库.针对此问题,提出基于数据驱动的多智能体识别算法,该算法首先采用基于自动机的特征提取方法,获得规划需要的位置和任务信息;然后将规划识别问题转换为多分类问题,并从单智能体角度切入,给出了一种基于极端梯度提升(extreme gradient boosting,XGBoost)的多分类模型;之后,对于多智能体之间可能存在的合作行为,使用无监督学习的一种基于密度对噪声鲁棒的空间聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对多智能体进行分簇,以促进协同合作.对于同簇智能体,构建了一种针对多智能体的多分类模型,完成对多智能体的目标预测.在获悉敌方目标后,提出基于博弈的围捕逼停算法,构建非合作动态博弈模型,通过求解纳什均衡得到应对敌方的最优策略.最后,通过仿真验证了所提出算法的有效性.
文摘精确的轨迹跟踪是智能驾驶汽车实现自主运动控制的关键。针对系统不确定性影响轨迹跟踪控制精度的问题,提出了一种新型鲁棒自适应滑模控制策略。首先,根据车辆运动学原理建立二自由度车辆动力学模型;然后,基于轨迹跟踪误差设计具有自适应性的比例积分微分(proportional integral derivative,PID)型滑模面,通过设计自适应更新律实时在线估计滑模控制增益和系统不确定性的上界,提高了轨迹跟踪控制的精度和鲁棒性。之后,利用粒子群优化算法优化了控制器的控制参数,进一步改善了轨迹跟踪控制性能。最后,在不同路面和车速条件下对所提控制策略进行仿真验证。仿真结果表明,所提控制策略能够保证智能驾驶汽车在系统不确定性影响下跟踪目标轨迹,控制性能优于分数阶PID控制。
