💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
摘要:
由于信号的感知周期通常取决于所使用的传感器,即使在单个控制系统中,如果涉及多个传感器,其感知周期可能也会有所不同。本文研究了在多速率感知环境下针对线性时不变离散时间系统的状态观测器设计问题。假设植物中传感器的感知周期是相互有理数比。首先,我们将多速率感知植物的状态观测器刻画为周期时变状态观测器。然后,我们讨论了具有给定周期时变状态观测器的状态估计误差的l2性能分析。我们提供了用于分析的线性矩阵不等式(LMI)条件。通过扩展用于分析的LMI条件,我们还提供了用于多速率观测器合成的条件。最后,我们通过数值方法展示了所提出的多速率状态观测器的有效性。即使所有传感器的周期相同,感知时机也不是唯一的。因此,我们通过数值分析来分析当多个传感器之间的观测时机不同时,性能是否会发生变化。
实际控制系统通常由多个组件构成,例如传感器和执行器。因此,即使在单个控制系统中,其组件通常具有不同的规格,并且可能以不同的采样周期运行。例如,在硬盘驱动器或光盘驱动器中的磁道跟踪系统中,位置误差感知的采样率受限,因此跟踪误差的观测周期长于磁头臂的控制周期。涉及视觉传感器、AD转换器和通信通道的系统也是传感周期可能显著长于控制周期的示例。针对这种类型的系统,通常进行多速率控制研究。在[1]中,针对带有时间延迟的系统进行了多速率采样数据稳定化研究,当控制的采样率比观测的采样率更快时。在[2]中提出了一种不同的多速率控制方案,其中使用多速率采样数据测量来保持由慢采样数据控制器实现的稳定性。在[3]、[4]和[5]中研究了多速率前馈系统的完美跟踪控制方法,用于电机和电动车。还研究了具有异步测量的系统的多速率控制方法(参见,例如[6]和[7])。
尽管上述早期研究都集中在观测(即感知)周期与控制周期之间的差异上,但处理多个传感器的类似差异也很重要。近年来,自主机器人和自动驾驶得到了积极研究,同时定位和地图构建(SLAM)[8]、[9]的精度对于它们的实现至关重要。SLAM已经使用了各种传感器,如摄像头传感器、3D-LiDAR传感器和惯性测量单元(IMU),但每种传感器类型的可行感知周期是不同的。需要实现适当的“传感器融合”以获得高定位和地图构建性能。如果我们将装备有这种传感器的植物视为单速率系统并考虑对其进行控制,由于系统中所有组件所需的虚拟公共周期必须过长,相应的控制性能将会下降。详细文章见第4部分。
📚2 运行结果
2.1 without LMI
2.2 with LMI
部分代码:
figure(1),stairs(t,xp(1,:),'k','LineStyle','--'),hold on,stairs(t,xp(2,:),'k','LineStyle','--'),hold on,stairs(t,xp(3,:),'k','LineStyle','--')
figure(1),stairs(t,x(1,:),'k'),hold on,stairs(t,x(2,:),'k'),hold on,stairs(t,x(3,:),'k')
ylabel('x,x_{ob}')
xlabel('k')
%figure(4),stairs(t,xp(1,:)-x(1,:),'k'),hold on,stairs(t,xp(2,:)-x(2,:),'k'),hold on,stairs(t,xp(3,:)-x(3,:),'k'),axis([0 500 -5 5]);
%
%ylabel('e')
%xlabel('k')
figure(4) %z,zQ1
subplot(3,1,1);
hold on; %grid on
stairs(t,xp(1,:)-x(1,:),'k','LineWidth',0.5);
axis([0 500 -0.5 0.5])
%set(gca,'fontsize',14);
xlabel('k')
ylabel('e_1')
box on
%
%figure(12) %v1
subplot(3,1,2);
hold on; %grid on
stairs(t,xp(2,:)-x(2,:),'k','LineWidth',0.5);
axis([0 500 -0.5 0.5])
%set(gca,'fontsize',14);
xlabel('k')
ylabel('e_2')
box on
subplot(3,1,3);
hold on; %grid on
stairs(t,xp(3,:)-x(3,:),'k','LineWidth',0.5);
axis([0 500 -0.5 0.5])
%set(gca,'fontsize',14);
xlabel('k')
ylabel('e_3')
box on
gamma_proposed = sqrt(copt)
gamma_proposed_sim = sqrt(e_proposed_sum/uy_proposed_sum)
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。