建模仿真 - 古月居

构建Simulink模型 | 油门与制动

一、Simulink模型简述该模型对简化的汽车运动进行仿真。当踩下踏板时，汽车通常处于行进状态。轻踩并松开加速踏板后，汽车先会处于怠速状态，然后停止。基于上述运动模型再对接近传感器建模，该数字传感器用于测量汽车与10米（30英尺）外的障碍物之间的距离。模型根据下列条件来输出传感器的测量值和汽车的位置值：汽车在到达障碍物时会紧急刹车。在现实世界中，传感器对距离的测量不够精确，从而导致随机数值

MATLAB 建模仿真 Simulink 运动控制制动器

奔跑的chanchanchan
5 天前
82 0 0
构建Simulink模型 | CAN通信

参考链接：https://ww2.mathworks.cn/help/vnt/ug/build-can-communication-simulink-models.html#brzf0ew-4 一、Simulink模型简述在该模型中使用MathWorks虚拟CAN通道传输和接收报文。报文传输部分：使用CAN Configuration模块配置CAN通道，Constant模块向CA

MATLAB 建模仿真 Simulink CAN

奔跑的chanchanchan
2022-09-30 09:17
87 0 0
基于python+opencv的DCT(离散余弦变换)实验

离散余弦变换是图像处理中非常常用的算法，可以用于jpg图像压缩等领域。数学原理我就不扯了，网上一大堆。但介于网上实在没有关于python+opencv来实现DCT的好文章(至少木盏没有搜到过)。于是稍微写一个博文做一个总结，给后人便利。要用到的模块是opencv，安装方法看另一篇文章《opencv快速安装》 python==3.6.5 opencv==3.1.0 scipy==1.1.0

建模仿真 Python openCV DCT

木盏
2022-09-27 10:07
131 0 0
SLAM就业问题汇总复习

内容列表 1.相似变换、仿射变换、射影变换的区别。 2.单应矩阵和基础矩阵的区别。 3.视差和深度的关系。 4.二值图，最大联通区域。 5.梯度下降法，牛顿法和高斯牛顿法优劣。 6.边缘检测算子。Canny，Sobel，Laplace。 7.BA算法的流程。 8.SVO中深度滤波器原理。 9.某个SLAM框架工作原理，优缺点，改进。 10.Ransac框架的实现。

里程计 SLAM 建模仿真 VIO 矩阵计算

微鉴道长
2022-09-21 09:09
479 0 0
自抗扰控制理论（三十二）四旋翼无人机控制系统

1 四旋翼被控对象数学模型 function y = fcn(xin,uin) %12个状态 4输入 12输出 x1滚转角 x3俯仰角 x5偏航角 x7高度z x9平动x x11平动y u=uin(1:4); x=xin(1:12); Dx=10^-6; Dy=10^-6; Dz=10^-4; g=9.81; m=1; Jx=8.1*10^-3; Jy=8.1*

无人机四旋翼自动控制原理自抗扰控制 ADrc

Chenglin Li
2022-09-20 09:30
144 0 0
自抗扰控制理论（三十一）永磁同步电机控制系统

1 面装式永磁同步电机的数学模型鲁棒非线性伺服控制及应用京东 ¥73.10 去购买 (1){uq=Rsiq+Lddiqdt+ωLdid+ωΨfud=Rsid+Lddiddt−ωLqiqTe=1.5npΨfiq=Jdωrdt+kfωr+TLdθrdt=ωr （1）参数说明永磁同步电机参数列表.xlsx 10.9K

建模仿真自动控制原理自抗扰控制电机控制永磁同步电机

Chenglin Li
2022-09-20 09:27
130 0 0
自抗扰控制理论（三十）时滞系统再设计

1 问题描述（1）时滞系统控制器设计；（2）控制策略：将当前的控制量，延时一定时长后，再赋值给当前系统； 2 时滞算法步骤（1）申请控制量 ux 存储空间　　假设延时时间为 τ ,计算步长为 h ,那么可得 (1)kn=τ/h+1. (2)ux(i)=0,i=1,2,...,kn. （2）控制器计算出此时控制量 u ，并赋值给 ux 最后一个元素 (3)ux(i)=u

建模仿真自动控制原理自抗扰控制 ADrc 时滞系统

Chenglin Li
2022-09-20 09:08
132 0 0
自抗扰控制理论（二十八）使用m语言描述LADRC控制系统

1 问题描述（1）使用matlab程序编写LADRC控制系统（2）针对一阶/二阶系统（3）离散化方法 2 数值计算结果（一阶系统） (1)G(s)=1.40.1s+1. （1）跟踪正弦信号（2）跟踪阶跃信号 3 计算程序（一阶系统） function LADRC1() %{ 程序功能： 1、使用m语言描述LADRC的程序 2、一阶对象 %}

建模仿真自动控制原理自抗扰控制 ADrc

Chenglin Li
2022-09-20 09:07
104 0 1
自抗扰控制理论（二十六）二阶非线性自抗扰控制器

0 原理图 Note: （1）适用对象：二阶系统；（2）对象形式： (0)y¨=f(t)+bu. 1 跟踪微分器 Tracking Differentiator 主要算法： (1){v1(k+1)=v1(k)+h∗v2(k)v2(k+1)=v2(k)+h∗fh fh=fhan(v1−v0,v2,r,h1)h1=α∗h fhan函数： %% fhan函数 fu

建模仿真自动控制原理自抗扰控制 ADrc 非线性控制器

Chenglin Li
2022-09-20 09:06
116 0 0
自抗扰控制理论（二十五）LESO特征根的数值解含有虚部

1 问题描述（1）将扩张状态观测器的极点统一配置在s平面负实轴-wo处，可以缩减待调节的参数；（2）计算机计算出来的LESO特征根的数值解，含有一个极小的虚部，导致LESO的状态量输出含有振荡。 2 计算过程 LESO方程：(1){x^=Ax^+Bu+G(y−y^),y^=Cx^. 误差系统的近似：(2)x~=(A−GC)x~. 极点配置：选取矩阵G保证(A-GC)的特征根全为

建模仿真自动控制原理自抗扰控制 ADrc LESO

Chenglin Li
2022-09-19 09:27
107 0 0
Gazebo中Turtlebot3激光雷达最远距离调整后测距信息不正常问题解决方法

Turtlebot3的github地址是https://github.com/ROBOTIS-GIT/turtlebot3，其中激光雷达默认的最远测距是3.5m。当把3.5m修改为3.5m以上的数时，前方的激光发射会存在问题，如下图所示。总之会有许多测距的异常值，大概在0.1～0.2左右。（请无视我小车和车轮的颜色，这是我之后自己改过的,在这里我用的小车的型号是waffle）事先声明，这个

gazebo 建模仿真激光雷达 Turtlebot3

微鉴道长
2022-09-19 09:23
151 0 0
自抗扰控制理论（二十二）串级系统发散问题

1 问题描述 Chenglin Li：自抗扰控制理论（四）ADRC控制串级系统 2 搭建串级线性ADRC控制系统模块当设置内外环总扰动全部为0时，系统内环可以镇定的很好；系统外环Wc=4, Wo=4时，系统输出稳定；内环总能跟踪很好 Wc=4, Wo=10时，观测器发散；外环观测器发散系统输出随之也发散系统输出发散

建模仿真自动控制原理自抗扰控制 ADrc 串级系统

Chenglin Li
2022-09-19 09:22
108 0 1
论文阅读笔记《DPOD: 6D pose object detector and refiner》

核心思想本文提出一种基于稠密匹配的位姿估计和优化方法（DPOD）。之前介绍的基于关键点匹配或控制点匹配的位姿估计方法都是基于稀疏匹配的方法，利用PnP算法进行求解。这类方法的问题在于匹配点的数量较少，受误匹配点的影响较大，导致位姿估计的鲁棒性较差。而本文则是利用立体投影（球面投影或圆柱投影）将3D模型上的点映射到一个两通道的二维UV图上，本文称之为对应映射（或匹配映射，Corres

机器视觉图像处理姿态解算位姿优化关键点匹配

深视
2022-09-15 09:32
112 0 0
论文阅读笔记《REDE: End-to-End Object 6D Pose Robust Estimation Using Differentiable Outliers Elimination》

核心思想本文提出一种端到端的基于关键点匹配的位姿估计方法，与之前关键点匹配方法不同之处在于本文提出一种可微分的异常点剔除方法，使得整个算法能够实现端到端的训练。如图(a)所示，传统方法是手动设计特征提取关键点，并和模型关键点匹配，求解位姿，这类方法的局限在与关键点特征不是通过学习获取的，对于特征信息较少的物体，处理起来存在困难。如图(b)所示，直接方法是通过CNN根据输入图像回

机器视觉建模仿真深度学习图像处理关键点匹配

深视
2022-09-15 09:20
99 0 0
论文阅读笔记《DenseFusion: 6D Object Pose Estimation by Iterative Dense Fusion》

核心思想本文提出一种基于RGB-D图像预测目标物体位姿的方法（DenseFusion）。首先，利用一个语义分割网络得到目标物体的分割图像，分别用两个网络用于处理RGB图像和点云图（由深度图获得），将颜色特征和几何特征逐像素的拼接起来，并利用一个特征融合网络获得全局特征。然后将全局特征级联到每个像素的特征向量上，并利用位姿预测网络输出每个像素点对应的位姿估计结果和一个置信度值，最终选

建模仿真机器学习深度学习姿态解算迭代优化

深视
2022-09-14 09:30
98 0 0
论文阅读笔记《PoseCNN: A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes》

核心思想本文提出一种基于卷积神经网络的物体分割与位姿估计的方法（PoseCNN）。如下图所示，输入图像经过卷积层特征提取之后，分成三个任务分支：语义分割、平移矩阵预测和旋转矩阵（四元数）预测。最后结合三个分支的预测结果，得到每个物体的位姿估计。语义分割分支采用了常见的全卷积神经网络方法。平移矩阵的预测并不是直接通过回归的形式输出中心点坐标，因为这种方法当中心点被遮挡时容易失效。

机器视觉建模仿真机器学习深度学习姿态解算

深视
2022-09-14 09:26
124 0 0
论文阅读笔记《DeepIM: Deep Iterative Matching for 6D Pose Estimation》

核心思想本文提出一种通过迭代的方式对初始位姿估计结果进行优化的方法（DeepIM）。作者发现目前基于RGB图像的位姿估计算法相对于基于RGB-D图像的位姿估计算法其准确率存在一定的差距，作者认为缺少一种有效的位姿优化方法来解决基于RGB图像位姿估计不准确的问题。作者首先根据初始位姿和目标物体的3D模型，渲染出目标物体在初始位姿下的图像，然后比对初始位姿下的图像和实际观测到的图像之间

机器视觉建模仿真图像处理姿态解算位姿优化

深视
2022-09-14 09:17
82 0 0
论文阅读笔记《LatentFusion: End-to-End Differentiable Reconstruction and Rendering for Unseen Object Pose 》

核心思想本文提出一种通过重建渲染目标物体在不同视角下的3D特征进行位姿估计的方法（LatentFusion）。早期的位姿估计方法中，有种方法就是预先采样得到不同视角下目标物体的图像，通过比对当前图像和不同视角下图像之间的相似性来找到最相似的视角，该视角对应的物体位姿即为目标物体的位姿。这种方法当然是比较原始的，因为采样过程是离散的，采样视角的数量就决定了位姿估计的准确性，另一方面不

机器视觉建模仿真图像处理姿态解算位姿估计

深视
2022-09-13 09:23
121 0 0
论文阅读笔记《HybridPose: 6D Object Pose Estimation under Hybrid Representations》

核心思想本文提出一种基于混合特征表示的位姿估计方法（HybridPose）,融合了关键点、边缘和对称点三种类型的特征，通过构建2D图像特征和3D空间特征之间的对应关系，利用EPnP算法求解目标位姿。相比于仅利用关键点特征进行位姿估计的方法而言，引入边缘和对称点特征能够提高位姿估计的稳定性。边缘特征并不是指目标物体的边缘轮廓，而是关键点之间的连线，该特征能够在图像中的关键点比较杂乱时

机器视觉建模仿真图像处理位姿估计 EPnP

深视
2022-09-13 09:13
86 0 0
论文阅读笔记《KeyPose: Multi-View 3D Labeling and Keypoint Estimation for Transparent Objects》

核心思想本文提出一种基于双目图像进行透明物体位姿估计的方法。作者首先回顾了现有的位姿估计方法，通常采用单目相机获取目标2D图像，并与物体的3D模型或者RGB-D获取的点云图像进行匹配，进而实现位姿估计。而RGB-D传感器对于透明的，光滑的物体，其距离感知效果并不好。为了解决这个问题，作者采用了双目立体视觉来获得透明物体的深度信息，并通过提取物体上的关键点，利用反透视变换来获取关键点

机器视觉深度学习图像处理位姿估计关键点检测

深视
2022-09-13 09:09
140 0 0

1
2
3
4
5
...
47
下一页

想获取更多信息和操作，请移步电脑网页版