含时滞的参数不确定主动悬架离散系统鲁棒控制

针对主动悬架存在传输时滞和参数不确定性的控制问题，设计了含时滞的参数不确定鲁棒控制器。首先，运用线性分式变换方法推导出含时滞的参数不确定主动悬架状态空间方程，采用零阶保持器取值处理和双线性变换，建立主动悬架离散控制系统模型。其次，以车身垂向加速度为车辆悬架系统的最优化输出目标，采用Lyapunov泛函方法，推导出系统渐进稳定的鲁棒控制器充分条件，得到满足最优H_∞性能指标约束的反馈控制律，再通过求解线性矩阵不等式获得控制器参数。最后，进行数值算例仿真，结果表明，相较于只考虑时滞的控制器，含时滞的参数不确定鲁棒控制器具有更好的控制效果和鲁棒性，且受采样周期与不确定参数的耦合影响较小。     

基于Concenter-Net神经网络的无人驾驶汽车实时规划方法

无人驾驶汽车在机器视觉领域中成为研究热点,提出一种高效的多尺度目标检测网络,称为ConcenterNet无人驾驶方法,方法可以定位远距离区域在图像中实时并集中于前方行车记录仪透视图中的远处物体,它可以检测消失点并集中在近距离区域.第一次物体检测模型的推理将产生更大范围的感受野检测结果和更高的分辨率预测可能的消失点位置,即帧中最远的位置.然后,将其发送到对象检测模型进行第二次检测推断,获得远距离目标检测结果.最后,将这两个结果与特定的非最大抑制(NMS)方法合并.所提出的网络架构可以应用于大多数对象检测模型,仿真结果表明,所提出的控制策略可以确保极端情况下,Concenter-Net架构模型使用较低分辨率输入大小,模型复杂度较低,可以显著提高精度和召回率,行驶稳定性和轨迹跟踪精度得到提高.