0 高超声速飞行器项目经历 2019.06-2019.12 用Matlab/Simulink对某型号高超声速飞行器进行建模并规划飞行轨迹。 1 控制对象描述 [1]杜昊昱,凡永华,闫杰.高超声速飞行器自抗扰控制方法研究[J].计算机与现代化,2013(06):1-4. 2 参数设置 function pa=Parameters() pa.m=
1 基本概念 内模原理指出:若要求一个反馈控制系统具有良好的跟踪指令以及抵消扰动影响的能力,并且这种对误差的调节过程结构是稳定的,则在反馈控制环路内部必须包含一个描述外部输入信号指令信号和扰动信号动力学特性的数学模型,该数学模型就是所谓的“内模”。 2 功能作用[1] 内模控制(Internal Mode Control,IMC)是一种基于对象数学模型进行控制器设计的控制策略,具有设
0 参考 自抗扰控制理论(七)自抗扰设计流程47 赞同 · 14 评论文章 倒立摆是典型的驱动系统,本文实际上使用了三个ADRC控制器,参考价值不大。 1 线性化之后的控制对象 2 观测器LESO设计 3 控制器设计 4 计算机仿真分析 镇定结果 整体框图 LADRC LESO 5 附录Simulink文件 ADR
FeatureTracker的主要作用是跟踪特征并三角化恢复深度以后发给后端去优化。 FeatureTracker功能相关的代码不只是存放在一个文件中,它存放在VINS-Mono/feature_tracker/src文件夹下的所有文件中,这包括: feature_tracker_node.cpp:特征跟踪功能的可执行文件,也就是main函数所在的文件 feature_tracker
闭环检测的主要流程如下图: 这个功能在一个独立的节点中,在VINS-Mono/pose_graph文件夹下面,具体的文件包括: pose_graph_node.cpp ROS 节点函数、回调函数、主线程 keyframe.cpp 构建关键帧类、描述子计算、匹配关键帧与回环帧 pose_graph.cpp 位姿图的建立与图优化、回环检测与闭环 节点文件()负责管理整个闭环的
为什么需要滑动窗口? 在SLAM问题中,状态估计问题被建模为最大后验概率问题,在假设为高斯分布的情况下即为最小化损失函数的一个最小二乘问题,并通过泰勒展开转化为增量迭代求解问题: 随着SLAM系统的运行,状态变量规模不断增大,如果使用滑动窗口,只对窗口内的相关变量进行优化便可以大大减小计算量。 为什么需要边缘化? 对于滑窗外的状态,我们不去进行优化,但也不能直接丢掉,这样会破坏原有
优化的内容包括三部分,分别是特征点深度、IMU误差、关键帧姿态。所以优化的残差函数为 具体解释为: 1)marginalization residual 为边缘化计算得到的先验误差 2)IMU residual 是运动模型的误差, 每相邻的两帧IMU之间产生一个residual. 3)visual residual 是视觉的误差, 单个特征点l在相机cj下的投影会产生一个resid
直接上图,哈哈 从上面的流程图中可以看出,初始化共分为两大步,第一是纯视觉初始化,第二是视觉惯性联合初始化。另外,如果没有提供相机和IMU之间的外参,VINS-Mono还提供了相应的标定程序。因此我们梳理代码就按照这三部分来梳理。 首先看文件结构,初始化流程相关的代码在vins_estimator/src/estimator.cpp中,具体讲就是initialStructure这个函数
RViz2可视化传感器数据系列教程之二:在RViz2中显示激光雷达点云数据 【编者注】本文由深圳季连科技有限公司kenny wang创作,知识产权归深圳季连科技有限公司所有。如需转载,敬请注明原文出处。 在RViz2中,可以对激光雷达或者深度相机的三维点云数据进行可视化显示,但前提是必须以话题这种ROS的通信方式对点云数据进行了发布。因此,首先需要通过ROS 2节点发布激光雷达点云数据。 目
预积分的公式网上有很多推导过程的讲解,这里就不详细介绍了,放出一个连接,供参考: VINS-Mono理论学习——IMU预积分 Pre-integration (Jacobian 协方差)blog.csdn.net/qq_41839222/article/details/86290941 程序文件里关于IMU与积分具体实现的文件一共有两个: VINS-Mono/vins_estima
内容列表 1. 可行域定义 2. 问题描述 3. 解题 4. 凯里指标 1. 可行域定义 要求系统的末状态落入规定的可行域内: 图中蓝色为可行域的近边界,绿色为可行域的远边界;而v i 为初始状态出发时的朝向。对于任意一个出发朝向v i ,均有一个近边界点和远边界点,这两个点即为沿着v i 方向可以到达的最近和最远点。 2. 问题描述 这里对于一个
RViz2可视化传感器数据系列教程之一:在RViz2中显示相机视频图像数据 【编者注】本文由深圳季连科技有限公司kenny wang创作,知识产权归深圳季连科技有限公司所有。如需转载,敬请注明原文出处。 在RViz2中,可以对相机的视频图像数据进行可视化显示,但前提是必须以话题这种ROS的通信方式对相机视频图像数据进行了发布。因此,首先需要通过ROS 2节点发布相机视频图像数据。 可以使用R
内容列表 1. 流形概念的引入 2. 流形的基本性质 3. 动端点问题描述 4. 解题 5. 必要条件表述 6. 对截止条件的解释 7. 例题 1. 流形概念的引入 先来引入流形的概念。 极为一般地,流形具有如下方程形式: 而本文动端点问题研究的即为从s 0 面上一个点转移到s 1面上一个点的问题。在此问题中,s 0 称为左端点,s 1 称为右端点。
目录 1. 基本问题描述 2. 解题步骤 3. 快速作用问题与最小化问题之综合 4. 相平面图 本节笔记更像是对一类很常见的实际问题所做出的解答,这类实际问题的数学模型十分简单,同时具有较常见的实际意义:要求所需时间最短,同时某个指标最小。针对这一类问题,本节综合之前提到的优化理论给出了解题方法与详尽的分析过程。 本文力图通过对一类简单的问题的分析传达给读者:纸上得来终觉浅,绝
目录 1. 问题描述 2. 贝尔曼最优原理 3. 贝尔曼方程 4. 求解步骤 5. 例题 1. 问题描述 给出如下条件 数学模型 2. 贝尔曼最优原理 如上图所示,整条轨迹分成了左右两端,t ∈ [ t 0 , t 0 + Δ t ]和t ∈ [ t 0 + Δ t , t k ] 。无论在第一段中使用何种控制、沿着何种轨迹运动,在第二段中,在最优控制作
目录 1. 问题描述 2. 解题步骤 3. 菲尔德鲍姆理论/n nn–间隔理论 4. 例题 1. 问题描述 给出如下几个条件: 2. 解题步骤 首先写出哈密尔顿函数: 关于这一点的疑问可以参考博客优化方法理论合集(8)——庞特里亚金最大值原理。 这样,(1)式亦即 为解决此矛盾,取 3. 菲尔德鲍姆理论/n n
目录 1. 问题描述 2. 解题步骤 3. 原理解释 4. 必要条件 5. 方程可解性 6. 例题 1. 问题描述 给出庞特里亚金最大值原理的几个必须条件: 数学模型(柯西形式): 4.性能指标 可以看出,F 中不含有t 的显式。 5.控制量的限制: 该条件是指,由于一些现实原因或硬件性能原因,控制量信号u ( t )不可能取得很大的值,只能受
目录 1. 问题描述 2. 解题步骤 3. 例题 1. 问题描述 在波尔茨问题(详见博客优化方法理论合集(5)——波尔茨问题)中,t 0 和t k都作为运动端,但只在两条垂直线上(截止线)上运动: 而在此问题中,t 0 ,,t k均未知,但知道x ( t 0 ) , x ( t k ) 所满足的曲线: 2. 解题步骤 3. 例题 找出曲线y = x^2与y =
目录 1. 问题描述 2. 解题步骤 3. 例题 多变量优化问题应该是在高阶导问题(看这里优化方法理论合集(2)——高阶导问题)之后更新的,由于笔者失误,特在此补充。所幸不影响之前优化方法的理解与学习。 1. 问题描述多变量问题描述的是关于质点在n nn维空间中坐标的问题。 给出如下条件: 2. 解题步骤 写出解题的必要条件: 3. 例题 给出如下条件:
目录 1. 问题描述 2. 解题步骤 3. 例题 4. 其他tips 1. 问题描述 给出如下条件:
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信