导读:本文包含了模型跟踪方法论文开题报告文献综述及选题提纲参考文献，主要关键词:无人驾驶车辆,增量线性模型,轮胎魔术公式,模型预测控制
模型跟踪方法论文文献综述
邹凯,蔡英凤,陈龙,孙晓强[1]（2019）在《基于增量线性模型预测控制的无人车轨迹跟踪方法》一文中研究指出针对现有无人车轨迹跟踪研究中将轮胎侧偏角假设在线性区域的不足,提出一种基于增量线性时变模型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理,建立时变轮胎模型,并结合车辆二自由度模型,获得了车辆时变模型,设计增量线性时变模型预测控制器(ILTVMPC),完成了轨迹跟踪,在二次规划求解过程中加入包括控制量和控制增量等约束。利用MATLAB/Simulink平台将该方法与非线性模型预测控制进行仿真对比,结果表明:基于时变轮胎模型的ILTVMPC,不仅在跟踪精度和稳定性上有优异表现,而且计算实时性得到较大幅度提升。(本文来源于《2019中国汽车工程学会年会论文集（1）》期刊2019-10-22）
邹凯,蔡英凤,陈龙,孙晓强[2]（2019）在《基于增量线性模型预测控制的无人车轨迹跟踪方法》一文中研究指出针对现有无人车轨迹跟踪研究中假设轮胎侧偏角始终处于线性区域的不足,提出了一种基于增量线性时变模型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理,建立时变轮胎模型,并结合车辆二自由度模型,获得了车辆时变模型,设计增量线性时变模型预测控制器(ILTVMPC),完成了轨迹跟踪,在二次规划求解过程中加入包括控制量和控制增量等约束。利用MATLAB/Simulink平台将该方法与非线性模型预测控制进行仿真对比,结果表明:基于时变轮胎模型的ILTVMPC,不仅在跟踪精度和稳定性上有优异表现,而且计算实时性得到较大幅度提升。(本文来源于《汽车技术》期刊2019年10期）
潘世举,李华,苏致远,徐友春[3]（2019）在《基于跟踪误差模型的智能车辆轨迹跟踪方法》一文中研究指出为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。(本文来源于《汽车工程》期刊2019年09期）
李军,唐爽,周伟[4]（2019）在《考虑车辆稳定性的模型预测路径跟踪方法》一文中研究指出针对目前车辆路径跟踪控制大多集中于跟踪的精确性,却忽略车辆行驶稳定性的问题,提出一种考虑车辆稳定性的模型预测路径跟踪方法.首先,以简化后的车辆动力学模型为基础,推导线性时变路径跟踪预测模型,增添表征车辆稳定性的质心侧偏角等约束条件;然后,对二次规划进行求解,添加向量松弛因子解决计算中出现的无解问题;最后,通过Carsim和Matlab/Simulink联合仿真对文中方法进行验证.仿真结果表明:基于文中所提方法设计的控制器能够在不同车速、不同附着系数下,保证跟踪参考路径较为精确的同时,还可以保证车辆的稳定性.(本文来源于《华侨大学学报(自然科学版)》期刊2019年05期）
赵多禄,胡绩强[5]（2019）在《改进的多模型粒子滤波弱小目标检测前跟踪方法》一文中研究指出检测前跟踪是解决目标信噪比(SNR)较低的情况下目标检测与跟踪的有效方法。目前主要的研究方法有多模型粒子滤波弱小目标检测前跟踪方法(MMPF-TBD),该方法在目标出现较强的机动时,目标的检测性能会严重下降甚至出现漏检。该文针对该问题提出了一种改进的多模型粒子滤波弱小目标检测前跟踪方法(IMMPF-TBD),该方法可以降低模型之间转移计算复杂度,并且有效地提高模型的使用效率和目标的检测性能。仿真实验结果表明相比于MMPF-TBD,IMMPF-TBD能够有效地提高机动目标的检测性能。(本文来源于《自动化与仪表》期刊2019年06期）
彭涛,刘博,杨超,秦瑞,阳春华[6]（2019）在《基于有限集模型预测的电机模拟器故障电流跟踪方法》一文中研究指出电机故障情况下电机模拟器跟踪定子电流动态响应慢、精度低,为了解决这一问题,提出一种基于有限集模型预测的故障电流跟踪方法。首先,构建基于信号调理的故障注入器,根据给定指令设定预测控制器的参考电流信号;然后,建立电机模拟器负载电流预测模型,在每一个采样周期内,计算所有开关状态下负载电流的预测值;最后,构建评价函数,计算每一个扇区对应的评价函数值,选取最小评价函数值对应的扇区内的开关状态作为电机模拟器下一个采样周期的开关状态。研究结果表明:本文提出的方法可以有效地跟踪电机模拟器故障电流,与传统PI调节相比,动态响应速度更快,跟踪精度更高。(本文来源于《中南大学学报(自然科学版)》期刊2019年05期）
冯健[7]（2019）在《基于大数据挖掘模型的船舶破碎尾迹智能跟踪方法》一文中研究指出为了解决传统船舶破碎尾迹跟踪方法跟踪轨迹点离散性过大的问题,设计基于大数据挖掘模型,提出一种新的船舶破碎尾迹智能跟踪方法。采用GIBS抽样算法作为数据挖掘模型的内核,将传统单一的马尔科夫数据链转化为多链,建立一种多链结构的数据挖掘挖掘模型,进行船舶当前尾迹数据挖掘,利用尾迹状态方程和尾迹测量方程,将尾迹数据图像化,确定尾迹实际像素并进行补偿处理,对处理后的图像进行回波特征转化,根据图像像素的回波特征值,评判像素点是否属于船舶尾迹,从而实现当前船舶尾迹跟踪。实验数据表明,该方法输出的船舶尾迹跟踪结果,其轨迹回波有效间距提高了32%,补偿间距提高了29%,可以有效降低轨迹离散。(本文来源于《舰船科学技术》期刊2019年10期）
武小荷[8]（2019）在《基于模型引导和特征增强的深度视觉跟踪方法研究》一文中研究指出视觉单目标跟踪是计算机视觉领域的基本任务之一。现实生活中,各种干扰因素,如遮挡、形变、相似物干扰、分辨率低、背景嘈杂等,导致目标在运动过程中表观形状发生变化,加剧了目标跟踪的难度。近年来,基于相关滤波器(Correlation Filter,CF)和深度学习(Deep Learning)的方法明显改进了跟踪性能。基于相关滤波器的模型具有高效的计算优势,而基于深度学习的方法则学习较强的特征表达能力,有助于提升定位准确度。现有相关滤波器方法或简单使用预训练网络提取深度特征,或采用简单特征选择和特征融合机制结合卷积神经网络(Convolutional Neural Network,CNN)。另一方面,简单相关滤波器模型被嵌入卷积神经网络,但无法发挥改进的相关滤波器模型对边界效应的处理优势,进而无法达到与直接使用深度特征相当的跟踪效果。现有方法在实时性和鲁棒性方面仍存在瓶颈,快速鲁棒的目标跟踪模型仍有待进一步研究。目标跟踪过程通常由运动模型、特征提取、观测模型和模型更新构成,而其中特征提取和观测模型对跟踪效果有较大影响。由于目标外观的多样性,以及目标在运动过程中外观变化的多样性,给特征表达能力带来巨大挑战。在基于判别式的跟踪模型中,如何设计观测模型,将目标从背景中区分出来,是定位准确的关键。现有的目标跟踪方法,经历了从手工设计特征到深度特征的改进,但在深度特征利用和计算效率方面有待改进。在观测模型方面,近年来,相关滤波器受到重点关注,并被不断改进,但如何设计相关滤波器模型引导的深度学习目标跟踪模型仍有待进一步研究。本文将从特征增强和观测模型两方面展开研究,主要内容包括:(1)为解决基于支持向量的跟踪模型计算复杂度高,无法满足跟踪实时性要求的缺点,通过结合密集采样,将基于正则化最小二乘模型(Regularized Least Square,RLS)的相关滤波器扩展到基于大间隔分类的密集分类问题。提出了一种基于支持向量的相关滤波器(Support Correlation Filter,SCF)模型和交替迭代优化算法。利用相关滤波器的快速计算机制,和非对称的平方折页损失函数,在保证跟踪实时性的同时,进一步提高分类器对前景和背景的判别能力,改进跟踪效果。(2)直接使用在大规模静态图像数据集和图像分类任务上训练的网络提取特征,并未考虑对目标跟踪问题中序列图像的适用性。而基于大规模视频数据集训练的模型,通常为提高速度,设计浅层、顺序的CNN特征提取结构,并未充分利用深度特征。基于全卷积孪生网络(Fully-Convolutional Siamese Network,SiameseFC)框架,利用大规模视频数据集,本文引入自顶向下模块(Top-Down Modulation,TDM)进行特征增强学习。通过将顶层语义特征向下传递,指导底层特征的学习和选择,使得网络的单层输出既能捕获细节特征,又包含高层语义信息。针对样本不均衡问题,进一步通过改进的折页损失函数,挖掘困难样本加强深度特征的判别能力和相似性函数的匹配能力。(3)基于跳跃连接形式的深度特征增强方案,往往需要引入大量参数,为模型训练带来挑战。为同时实现增强顶层特征的表达能力和对非均匀尺度变化的鲁棒性,提出了一种自适应多因子空洞卷积的特征增强方法。在共享卷积参数的前提下,通过控制膨胀因子,提取具有不同感受野大小的特征。进一步引入自适应最大化加权特征融合方案,对具有不同感受野大小的特征进行整合。根据目标尺度自适应地选取对应感受野大小的特征,或根据物体内不同部分的尺度自适应地选取局部特征,以增强特征的表达能力和对非均匀尺度变化的鲁棒性。(4)为解决基于深度学习的跟踪模型在在线跟踪过程中缺乏模型自适应性的缺点,本文通过定义二层优化问题将背景感知的相关滤波器(Back-aware Correlation Filter,BACF)嵌入CNN,提出了 一种相关滤波器模型引导和模特征学习学习想结合的端到端网络结构。为将BACF嵌入CNN,将求解BACF的交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)展开得到截断推理模型(更新子网络)。在跟踪过程中,利用前一帧目标信息计算滤波器用于当前帧的目标定位,实现了模型自适应。为增强滤波器的鲁棒性,在损失函数中约束当前帧得到的滤波器在未来帧上仍具有一定的判别能力。训练过程中,使用贪心训练机制,逐阶段训练截断推理模型,然后再进行特征表达和截断预测模型的联合学习。通过联合学习,提高了特征和表观模型的判别能力。(本文来源于《哈尔滨工业大学》期刊2019-05-01）
张圆[9]（2019）在《基于图表示模型与学习方法的目标跟踪算法研究》一文中研究指出当今时代,人工智能技术已经逐渐成为科技发展的核心,伴随着人工智能时代的到来,越来越多的城市正大力建设以人工智能技术为基础的智慧城市。如何设计智能视频分析技术来快速处理海量的监控视频数据是智慧城市建设过程中的关键步骤,而目标跟踪则是智能视频分析技术中的基础性算法。因此,深入研究目标跟踪技术不仅是计算机视觉课题发展的需要,更能有效的促进智慧城市的建设。随着传统机器学习技术的发展与积累,尤其是近几年深度学习技术的重大突破,目标跟踪技术也取得了突飞猛进的进步,出现了许多高效的跟踪算法。目标跟踪的基本流程一般包括:输入待跟踪的视频帧;目标特征的提取与处理;跟踪模型的构建;定位跟踪目标。其中目标特征的提取与处理和跟踪模型的构建是目标跟踪流程的关键步骤。本文从目标特征的提取与处理出发,针对在目标跟踪技术中存在的问题展开研究,提出了对跟踪目标进行有效表达的方法。该方法能够显着地减少目标包围框中背景噪声,从而提高目标跟踪的鲁棒性。具体方法是:首先将目标包围框划分为多个不重迭的图像块;然后通过有效的权重求解模型为每个目标图像块赋予权重,即:背景图像块赋予较小的权重,目标图像块赋予较大的权重,这样能有效的减少目标包围框中的背景信息;最后将图像块权重与图像特征结合得到的目标图像块加权特征描述作为跟踪目标特征的表示,从而实现目标跟踪。其中,权重求解模型是目标特征表达的关键所在。本文从跟踪目标、背景噪声等多个方面展开分析,提出了如下叁种有效的权重求解模型:第一、分析目标跟踪的整体流程可以发现,目标的空间结构是捕捉跟踪目标的关键信息。传统的图表示模型由于采用近邻图的表达方式,其往往只考虑到跟踪目标的局部空间信息,忽略了全局信息。这将使得对跟踪目标的表达缺乏整体性,当跟踪目标的外观较为复杂时无法进行有效的特征表达,从而直接影响跟踪结果。本文在重启随机游走模型中加入拉普拉斯正则化约束构建拉普拉斯正则化随机游走模型,这使得在权重的求解过程中同时将目标的局部信息以及全局信息融合起来,从而得到更符合目标空间结构的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并结合结构化支持向量机跟踪模型来实现最终的目标跟踪。本文在OTB100[32]与TCL128[59]两个大型跟踪数据集上实现目标跟踪,并将跟踪结果与诸多近些年提出的跟踪算法进行比较。实验结果表明,本文的跟踪算法在两个数据集上的综合表现取得最优,尤其在出现快速移动、形变、旋转、光照变化、运动模糊等直接导致跟踪目标外观变化的挑战因素出现时仍能保持较为鲁棒的跟踪效果。第二、在跟踪过程中,多数的跟踪目标与背景之间具有较为显着地差异。因此,利用背景信息来突出前景目标不仅能够有效的降低背景噪声的影响,更能达到突出前景目标的作用。本文采用条件随机场模型同时将背景信息、前景信息以及目标的空间结构进行联合优化,从而得到更具目标判别性的权重分配。最后将得到的目标图像块加权特征描述作为跟踪目标特征的表示并选择结构化SVM算法作为基础的跟踪框架来实现最终的目标跟踪,并在OTB100[32]TCL128[59]两个大型跟踪数据集上与诸多近些年的跟踪算法进行对比。实验结果表明,本文的跟踪算法在两个数据集上的综合跟踪效果表现最好,并在跟踪速度上也具有一定的优势。特别的,本文的跟踪算法在跟踪目标出现背景阻塞、部分遮挡、低分辨率等挑战因素时仍能实现准确的目标跟踪。第叁、构建的图结构是否具有很好地表达能力将直接影响图表示模型结果的优良。此外,图表示模型中图像块的原始特征信息仅在图结构的构建中得到使用,忽略了图像块特征之间本身存在的关联。本文提出一种图表示与半监督学习模型来动态优化图像块之间的关联,并且将图像块的特征信息融入到权重求解的过程中,从而得到更符合目标本身特性的权重分配。更进一步的,针对该图表示与半监督学习模型,本文提出一种快速且有效的迭代优化算法进行求解。在最终的跟踪阶段通过添加目标的尺度估计以及目标的重检测技术来完善跟踪框架,从而实现完整的目标跟踪。本文在OTB100[32]、TCL128[59]以及VOT2015[58]叁个大型数据集上与诸多近些年的跟踪算法进行对比。在OTB100[32]、TCL128[59]上,本文的跟踪算法取得了最优的综合评测结果,并且在诸多的挑战属性上均具有优良的表现。在VOT2015[58]数据集上,本文的算法同样获得了可比性的结果。(本文来源于《安徽大学》期刊2019-05-01）
黄颖涛[10]（2019）在《自动驾驶车辆轨迹跟踪模型预测控制方法研究》一文中研究指出交通环境的日渐复杂及传统驾驶方式的局限性促进了车辆自动化程度的提高,尤其推动着自动驾驶技术的快速发展。车辆自动驾驶不仅可以解放驾驶员,而且可以在很大程度上提高行车安全性和交通有序性。轨迹跟踪控制是车辆自动驾驶技术研究的重点之一,也是实现智能交通系统的关键环节。因此,研究车辆的轨迹跟踪控制对车辆实现自动驾驶具有重要的实际意义。本文采用模型预测控制方法,对自动驾驶车辆的轨迹跟踪控制问题进行了研究。首先阐述了在车辆轨迹跟踪控制问题中运用线性时变模型预测控制方法的意义,并针对车辆非线性和多约束等特点,在一定的假设条件下,考虑车辆的横向、纵向和横摆运动,建立了车辆的叁自由度动力学模型,并对其进行了线性化及离散化处理;然后以线性时变模型预测控制算法为基础,结合魔术公式轮胎模型,将车辆的动力学模型处理转化为轨迹跟踪控制器所需的预测模型,给出了车辆在运动过程中受到的多种输入输出约束条件,设计了用来优化求解控制量的目标函数,并将目标函数转化成便于求解的二次规划问题,完成了基于模型预测控制的自动驾驶车辆轨迹跟踪控制器的设计;最后对设计的轨迹跟踪控制器,在Matlab/Simulink/Carsim联合仿真的平台上,针对不同路面附着系数及不同车辆行驶速度的多种工况进行了仿真,仿真结果验证了本文所设计的基于模型预测控制方法的轨迹跟踪控制器的有效性。(本文来源于《长安大学》期刊2019-04-20）
模型跟踪方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对现有无人车轨迹跟踪研究中假设轮胎侧偏角始终处于线性区域的不足,提出了一种基于增量线性时变模型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理,建立时变轮胎模型,并结合车辆二自由度模型,获得了车辆时变模型,设计增量线性时变模型预测控制器(ILTVMPC),完成了轨迹跟踪,在二次规划求解过程中加入包括控制量和控制增量等约束。利用MATLAB/Simulink平台将该方法与非线性模型预测控制进行仿真对比,结果表明:基于时变轮胎模型的ILTVMPC,不仅在跟踪精度和稳定性上有优异表现,而且计算实时性得到较大幅度提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模型跟踪方法论文参考文献
[1].邹凯,蔡英凤,陈龙,孙晓强.基于增量线性模型预测控制的无人车轨迹跟踪方法[C].2019中国汽车工程学会年会论文集（1）.2019
[2].邹凯,蔡英凤,陈龙,孙晓强.基于增量线性模型预测控制的无人车轨迹跟踪方法[J].汽车技术.2019
[3].潘世举,李华,苏致远,徐友春.基于跟踪误差模型的智能车辆轨迹跟踪方法[J].汽车工程.2019
[4].李军,唐爽,周伟.考虑车辆稳定性的模型预测路径跟踪方法[J].华侨大学学报(自然科学版).2019
[5].赵多禄,胡绩强.改进的多模型粒子滤波弱小目标检测前跟踪方法[J].自动化与仪表.2019
[6].彭涛,刘博,杨超,秦瑞,阳春华.基于有限集模型预测的电机模拟器故障电流跟踪方法[J].中南大学学报(自然科学版).2019
[7].冯健.基于大数据挖掘模型的船舶破碎尾迹智能跟踪方法[J].舰船科学技术.2019
[8].武小荷.基于模型引导和特征增强的深度视觉跟踪方法研究[D].哈尔滨工业大学.2019
[9].张圆.基于图表示模型与学习方法的目标跟踪算法研究[D].安徽大学.2019
[10].黄颖涛.自动驾驶车辆轨迹跟踪模型预测控制方法研究[D].长安大学.2019