导读:本文包含了车辆编队论文开题报告文献综述及选题提纲参考文献,主要关键词:机场道面,除冰雪,队形控制,谱图理论
车辆编队论文文献综述
陈飞,李龙浦,李斯[1](2019)在《机场道面除冰雪车辆编队运动控制方法研究》一文中研究指出为提高机场道面除冰雪作业过程的机械化效率,提出基于谱图理论的机场道面除冰雪车辆运动控制方法。首先,对常用的除冰雪作业车辆及编队队形控制方法进行描述;随后,基于拉普拉斯矩阵的特征向量等理论构建适用于机场环境的除冰雪车辆运动控制方法;最后,利用所构建的运动控制方法对实际作业过程中除冰雪车辆的不同运动形式进行仿真分析。结果表明,该运动控制方法可以实现期望编队除冰雪作业,进而达到提高作业效率的目的。(本文来源于《中国民航大学学报》期刊2019年05期)
李永明[2](2019)在《无线紫外光协作车辆编队中继通信研究》一文中研究指出无线紫外光(Ultraviolet,UV)通信技术具有低窃听率、高保密性和抗干扰能力强等特点,适用于车辆编队在复杂战场环境中执行隐秘通信任务。中继通信技术协助源节点转发信息,不仅可以提高通信系统的传输容量和传输可靠性,还可以降低通信网络的通信中断概率,并延长有效通信距离。将中继技术应用到无线紫外光通信中,既增强编队间通信链路的抗毁性,又通过中继通信的多跳传输特点,满足了无线紫外光长距离通信的需求。本文以紫外光非直视单次散射通信链路模型为基础,对无线紫外光中继通信中串行中继模型的最优跳数和并行中继模型的最佳中继进行了研究。具体的研究内容如下:(1)分析了车辆编队在串行模型下的等距离分布(Equidistant Distribution,ED)和随机分布(Random Distribution,RD)两种行驶模型的紫外光最优多跳中继。根据紫外光通信信道容量和路径损耗模型,得到车载紫外光通信在ED和RD模型下,紫外光收发仰角与最优跳数关系的近似表达式,仿真分析了两种模型下收发角度对最优跳数的影响。仿真结果表明,不同收发角度都对应特定最优跳数,小发射仰角和大接收仰角的中继几何结构,能够使多跳中继通信系统获得较高的传输能力。紫外光长距离通信时,系统性能并不随着协作中继数的增加而提高。在ED模型下,当发射功率小于25mW时,与最优能量计算方法相比,最大频谱效率计算方法的信息传输能力高出约7%,同时也可以达到节约功率的需求。(2)针对作战车辆编队并行中继模型下的最佳中继通信链路选择问题,利用门限决策和信道状态信息,研究了无线紫外光单源多中继的最佳中继选择算法,仿真分析了信噪比、中继节点数、中继位置和中继几何结构对通信性能的影响。仿真结果表明,选取适当的信噪比门限可选择最佳中继节点建立稳定可靠的紫外光非直视中继通信链路。在不同中继几何结构下,系统获得最佳通信性能的中继节点位于靠近源节点的位置。最后对最佳中继位置进行了实验,实验结果验证了仿真结论的正确性。(本文来源于《西安理工大学》期刊2019-06-30)
范夏言[3](2019)在《基于MEC辅助的车辆编队任务卸载决策研究》一文中研究指出在未来蜂窝车联网中,由于车辆终端有限的计算资源,无法单独依靠车辆自身去完成一些任务,比如计算密集型任务。只在车辆终端上执行任务不仅会产生过高的计算负载,而且还会消耗车辆自身大量的能量,从而增加用户的计算成本,减少车辆的电池寿命。而移动边缘计算(Mobile Edge Computing,MEC)是提升车辆计算能力的关键技术之一,其拥有大量的计算资源,且用户可以通过将任务卸载至MEC减少执行成本与能耗,从而引起了研究者普遍的关注。蜂窝车联网能够为车辆用户提供更为安全、更具体验性的服务,能够提高车辆在道路上行驶的安全性。然而车辆任务拓扑模型的多样化、任务抵达的随机性以及执行任务对资源的高需求性,使得在蜂窝车联网中实现任务卸载更具挑战性。目前研究基于移动边缘计算辅助网络框架的任务卸载,主要考虑的是任务卸载成本、任务执行时间、延迟等相关方面,并未考虑在车辆编队中实现任务的最优卸载。针对此问题,本论文基于聚合成本的拉格朗日松弛算法,结合任务的线性拓扑模型,以优化任务卸载成本为目标,提出了一种由MEC服务器辅助的车辆编队最小成本协同任务卸载的决策方法。应用任务的各个子任务之间存在依赖关系,且车辆编队的每个成员与MEC服务器都有机会执行任务。所提出的任务协同执行卸载决策调度方法适用于车辆编队场景,并可以与MEC服务器协同处理任务,且保证任务在截至时间内完成的同时,任务的执行成本得以最小化。为了实现多个车辆用户同时发起任务卸载请求,在保障系统稳定性的前提之下,本论文又提出了一种基于李雅普诺夫优化的动态卸载算法。根据车辆用户在每个时刻发起任务的情况,建立了任务计算量队列模型,利用李雅普诺夫优化方法,提出了一种基于任务执行能耗与执行时间均衡的任务卸载策略。根据当前任务的数据参数,动态调整所有任务的卸载决策,判断其是在本地、车辆编队或MEC服务器中执行。该算法可以有效地降低任务执行能耗,维持计算量队列稳定,并可以确保任务在其截止时间内完成,是实现任务动态卸载的有效及可行途径之一。(本文来源于《重庆邮电大学》期刊2019-06-02)
黄健飞[4](2019)在《基于车间通信的车辆防碰撞编队控制算法研究》一文中研究指出随着如今国内机动车保有量的急剧升高,交通拥堵问题愈发严重,对人们的工作生活造成了极大的影响。而近年来,车联网技术受到国内外汽车行业的关注,这是未来智能交通领域发展的必然趋势。利用车间通信技术对车辆进行智能防碰撞编队控制可以使车辆间距、车辆速度更加合理,提高道路利用率和车辆的通行效率。本文主要对车辆编队的队形形成问题、队形保持问题以及在编队过程中可能出现的碰撞问题进行了研究,提出了问题的解决方案,即设计基于车间通信的车辆防碰撞编队控制算法实现对车辆的动态控制,达到预定的控制目标。本文主要内容如下:首先,选取车辆的“自行车”模型作为运动学模型,通过对模型的分析得到车辆的纵向速度、横向速度与前轮转角的关系。结合跟随领航者的编队算法模型,得到领航者的中心轴与两车中心连线间夹角的数学关系式。最后经过公式的求导变换得到了车辆编队的误差模型。然后,以车辆编队的误差模型为理论根据,设计了反馈线性控制算法。针对反馈线性控制算法对模型以及参数的精度要求较高,且在实际情况下难以满足要求的问题,设计了基于变量估计值原理的自适应反馈线性控制算法。考虑到此编队控制算法需要准确获得领航车辆的速度、航向角等运动状态信息,因此将车间通信加入到控制算法中,保证了该控制器获取到的数据准确性的同时,又使其具有较高的实际可行性。最后通过VS2010-Matlab/Simulink联合仿真实验,对改进后的控制器效果进行了验证,并与传统的反馈线性控制器进行了对比,验证了其有效性。最后,针对编队过程中可能发生的碰撞问题,设计了改进型椭圆人工势场法,通过判断障碍车辆所处位置,对碰撞可能性做出预测,并且设计了动态避撞控制算法,将车辆间距作为约束条件,通过控制车速避免车辆在编队过程中发生碰撞。同时考虑到在实际情况下,适用于两车辆的跟随领航者编队算法难以实现多车辆的编队控制目标,因此对跟随领航者算法进行适当的改进,提出了多车辆虚拟跟随领航者编队算法。随后将车辆编队算法、碰撞预测算法和动态避撞算法进行整合,设计了多车辆防撞编队控制系统,并且分别在叁车辆的基本工况下和五车辆的复杂工况下进行了联合仿真实验,验证了此系统的有效性。(本文来源于《吉林大学》期刊2019-06-01)
刘子超,李浩洋,童东兵,马道广,焦阳阳[5](2019)在《一类领航跟随的车辆编队研究》一文中研究指出针对领航跟随的车辆编队问题,建立单车模型和领航车与跟随车模型,在此基础上利用李雅普诺夫稳定理论设计得到领航跟随控制器,通过实验分析方法说明所设计的控制器的有效性。(本文来源于《南方农机》期刊2019年09期)
黄健飞,马彦[6](2019)在《基于跟随领航者的车辆自适应编队控制》一文中研究指出针对反馈线性控制器在实际情况中可能受路面湿度等因素的影响,使其参数具有不确定性的缺陷,设计了基于变量估计的自适应反馈线性控制器,提高控制器参数中的相对距离的精确度。在Matlab/Simulink环境下进行仿真对比实验,实验结果验证了自适应编队控制方法的有效性,并且其在误差调整时间方面和抗扰性方面优于传统反馈线性控制方法。自适应编队控制方法在未来的智能交通方面具有一定应用价值。(本文来源于《吉林大学学报(信息科学版)》期刊2019年03期)
刘威,李建涛[7](2019)在《无人驾驶车辆编队纵向控制器中安全车距与车速分析》一文中研究指出在智能公路系统中,无人驾驶车辆编队控制器能够对车队的行驶进行自动控制。在实际行驶状态下,相邻车安全车距要求在不同的道路与气象条件下通常是变化的。本文主要讨论在智能高速公路与一般智能道路无人驾驶车辆编队不同的行驶速度下,车队纵向控制器误差中车距与车速之间的关系。(本文来源于《科技风》期刊2019年11期)
俞志英,郭戈[8](2019)在《车辆自适应神经网络编队控制》一文中研究指出为了解决车辆编队控制问题,设计了自适应神经网络编队控制器.在跟随车辆未知领航车辆速度的情况下,根据位置误差、角速度误差和前一时刻跟随车辆的速度,使用神经网络自适应在线调整神经元权重的方法,控制跟随车辆的速度.恰当选择控制器参数,能使跟随误差能足够小.通过六边形队形仿真实验证明了该编队控制器的有效性.该研究结论突破了车辆编队控制中跟随车辆需要已知领航车辆速度的限制,有助于节省速度传感器的使用.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2019年01期)
毕灶荣,童东兵,陈巧玉[9](2019)在《一类基于自适应反馈控制的车辆编队研究》一文中研究指出文中研究了基于生物刺激神经动力学方法的车辆编队控制问题。以编队车辆的运动学模型为基础,在跟随领航者体系下建立车辆编队系统动态模型。根据李雅普诺夫稳定性理论,设计出新的自适应反馈跟踪控制器,将车辆跟随问题转化为系统误差的控制问题,并运用仿真实验验证控制器的有效性。与现有的反馈跟踪控制器进行对比后可以看到,文中所设计的控制器在稳定性和收敛速度上有了进一步的提高。(本文来源于《电子科技》期刊2019年06期)
田大新,康璐[10](2018)在《基于鱼群效应的无人驾驶车辆编队算法研究》一文中研究指出针对复杂多变的交通环境下无人驾驶车辆编队问题,引入生物群体机制,开展了基于鱼群效应的无人驾驶车辆编队控制方法的研究。借鉴已有的鱼群建模思想,将无人驾驶车辆编队控制与鱼群行为进行类比,综合考虑车辆行驶的具体特征,对同一时间段行驶在同一道路上的同向车辆进行数学建模,并通过MATLAB对车辆行驶轨迹、车辆速度等进行仿真验证,同时与领航者-跟随者法进行了对比。实验结果表明,在相同条件下,提出的基于鱼群的车辆编队算法在编队效率方面更优,进一步验证了将鱼群行为理论应用于车辆编队控制领域的可行性。(本文来源于《无人系统技术》期刊2018年04期)
车辆编队论文开题报告
(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:
无线紫外光(Ultraviolet,UV)通信技术具有低窃听率、高保密性和抗干扰能力强等特点,适用于车辆编队在复杂战场环境中执行隐秘通信任务。中继通信技术协助源节点转发信息,不仅可以提高通信系统的传输容量和传输可靠性,还可以降低通信网络的通信中断概率,并延长有效通信距离。将中继技术应用到无线紫外光通信中,既增强编队间通信链路的抗毁性,又通过中继通信的多跳传输特点,满足了无线紫外光长距离通信的需求。本文以紫外光非直视单次散射通信链路模型为基础,对无线紫外光中继通信中串行中继模型的最优跳数和并行中继模型的最佳中继进行了研究。具体的研究内容如下:(1)分析了车辆编队在串行模型下的等距离分布(Equidistant Distribution,ED)和随机分布(Random Distribution,RD)两种行驶模型的紫外光最优多跳中继。根据紫外光通信信道容量和路径损耗模型,得到车载紫外光通信在ED和RD模型下,紫外光收发仰角与最优跳数关系的近似表达式,仿真分析了两种模型下收发角度对最优跳数的影响。仿真结果表明,不同收发角度都对应特定最优跳数,小发射仰角和大接收仰角的中继几何结构,能够使多跳中继通信系统获得较高的传输能力。紫外光长距离通信时,系统性能并不随着协作中继数的增加而提高。在ED模型下,当发射功率小于25mW时,与最优能量计算方法相比,最大频谱效率计算方法的信息传输能力高出约7%,同时也可以达到节约功率的需求。(2)针对作战车辆编队并行中继模型下的最佳中继通信链路选择问题,利用门限决策和信道状态信息,研究了无线紫外光单源多中继的最佳中继选择算法,仿真分析了信噪比、中继节点数、中继位置和中继几何结构对通信性能的影响。仿真结果表明,选取适当的信噪比门限可选择最佳中继节点建立稳定可靠的紫外光非直视中继通信链路。在不同中继几何结构下,系统获得最佳通信性能的中继节点位于靠近源节点的位置。最后对最佳中继位置进行了实验,实验结果验证了仿真结论的正确性。
(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。
车辆编队论文参考文献
[1].陈飞,李龙浦,李斯.机场道面除冰雪车辆编队运动控制方法研究[J].中国民航大学学报.2019
[2].李永明.无线紫外光协作车辆编队中继通信研究[D].西安理工大学.2019
[3].范夏言.基于MEC辅助的车辆编队任务卸载决策研究[D].重庆邮电大学.2019
[4].黄健飞.基于车间通信的车辆防碰撞编队控制算法研究[D].吉林大学.2019
[5].刘子超,李浩洋,童东兵,马道广,焦阳阳.一类领航跟随的车辆编队研究[J].南方农机.2019
[6].黄健飞,马彦.基于跟随领航者的车辆自适应编队控制[J].吉林大学学报(信息科学版).2019
[7].刘威,李建涛.无人驾驶车辆编队纵向控制器中安全车距与车速分析[J].科技风.2019
[8].俞志英,郭戈.车辆自适应神经网络编队控制[J].辽宁工程技术大学学报(自然科学版).2019
[9].毕灶荣,童东兵,陈巧玉.一类基于自适应反馈控制的车辆编队研究[J].电子科技.2019
[10].田大新,康璐.基于鱼群效应的无人驾驶车辆编队算法研究[J].无人系统技术.2018