✨ 长期致力于智能驾驶、自抗扰控制、驾驶特性辨识、拟人化控制、轨迹规划研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于双调节策略的自抗扰控制器参数整定针对客车路径跟踪控制中的非线性、参数摄动和外部扰动设计了自抗扰控制器并提出了粗调节与精细调节相结合的双层参数整定法。粗调节阶段通过阶跃响应试验确定扩张状态观测器的带宽范围精细调节采用遗传算法在范围内寻优适应度函数兼顾跟踪误差和控制能耗。在满载和空载两种工况下整定后的控制器使横向跟踪误差均方根值分别降低至零点零五米和零点零三米比经验整定法减少百分之四十三。抗干扰测试中在侧向风干扰下最大横向偏差仅零点一二米。2辨识驾驶员车道保持特性并构建拟人化辅助策略采集十名驾驶员在直道和弯道的驾驶数据提取特征参数包括转向盘转角变化率、车道偏离频率和预瞄时间。采用K均值聚类将驾驶员分为谨慎型、一般型和激进型三类。针对不同类型设计差异化的车道保持辅助算法激进型控制器采用较小比例增益和较大微分增益允许适度偏离谨慎型则强调居中保持。拟人化主动转向控制通过遗传算法优化目标函数使辅助力矩与驾驶员习惯匹配。实车测试表明辅助系统介入后不同驾驶员的方向盘修正次数减少百分之五十六且主观接受度评分提高至八点九分满分十分。3提出群智能优化的多模式轨迹规划采用双向区域采样随机树搜索算法在Frenet坐标系下同时考虑静态障碍物和动态车辆。采样过程引入高斯偏差和局部吸引子加速收敛。碰撞检测使用分离轴定理考虑了客车的实际尺寸和旋转矩形。生成的候选轨迹利用五次和四次多项式拟合再通过遗传算法选择最优轨迹优化目标包含舒适性、效率和安全性三个模式。乘客可以选择舒适优先模式横向加速度峰值小于零点二重力加速度或效率优先模式行程时间最短。仿真显示舒适模式下平均横向加速度降低百分之三十四效率模式下行程时间缩短百分之十二。import numpy as np from scipy.optimize import differential_evolution import control class ADRC_Controller: def __init__(self, dt0.02): self.dt dt self.b0 1.0 self.wc 5.0 # controller bandwidth self.wo 10.0 # observer bandwidth self.z1 0; self.z2 0; self.z3 0 def update_params(self, wc, wo): self.wc wc self.wo wo def control(self, ref, y): e ref - y u0 self.wc**2 * e - 2*self.wc * self.z2 u (u0 - self.z3) / self.b0 # ESO update e_obs self.z1 - y self.z1 self.dt * (self.z2 - self.wo * e_obs) self.z2 self.dt * (self.z3 - self.wo**2 * e_obs self.b0*u) self.z3 self.dt * (-self.wo**3 * e_obs) return u def driver_clustering(features, n_clusters3): from sklearn.cluster import KMeans kmeans KMeans(n_clustersn_clusters, random_state0) labels kmeans.fit_predict(features) return labels, kmeans.cluster_centers_ class TrajectoryPlanner: def __init__(self, modecomfort): self.mode mode self.weight {comfort:[0.6,0.2,0.2], efficiency:[0.1,0.6,0.3]} def cost_function(self, params, ref_path): # params: polynomial coefficients traj self.generate_traj(params) acc_lat np.gradient(np.gradient(traj[:,1], 0.1), 0.1) jerk np.gradient(acc_lat, 0.1) time_cost len(traj)*0.1 cost self.weight[self.mode][0]*np.mean(acc_lat**2) self.weight[self.mode][1]*np.mean(jerk**2) self.weight[self.mode][2]*time_cost return cost