百度飞桨领航团零基础Python速成营-心得及学习经验分享

百度飞桨领航团零基础Python速成营-心得及学习经验分享

学习效果

python的变量,类,文件访问,函数,循环等一些常规的语言该具有的东西都掌握了。6天的作业都完成了。

学习效果

算是完成了对python的入门,但要掌握可能还是需要很久。毕竟python这种面向对象的语言,不需要自己去造轮子,所以就需要去找其他人已经造好了的轮子。

适合那些人学

虽然作业难度不大,好几题都可以在教案里找到现成的答案。我觉得可能还是更适合有其他语言经验的人学,毕竟7天很难学习到一种编程的思想。

以下是三个无人车通过领航-跟随编队的基于滑模控制器的Python代码: ```python import numpy as np import math # 定义滑模控制器的参数 k1 = 1.0 k2 = 1.0 lambda1 = 1.0 lambda2 = 1.0 # 定义领航车的目标速度 v_des = 10.0 # 定义无人车的初始位置和速度 x1 = np.array([0.0, 0.0]) v1 = np.array([0.0, 0.0]) x2 = np.array([5.0, 0.0]) v2 = np.array([0.0, 0.0]) x3 = np.array([10.0, 0.0]) v3 = np.array([0.0, 0.0]) # 定义无人车的控制量 u1 = np.array([0.0, 0.0]) u2 = np.array([0.0, 0.0]) u3 = np.array([0.0, 0.0]) # 定义时间步长 dt = 0.1 # 定义仿真时间 t_end = 100.0 # 定义仿真步数 n_steps = int(t_end / dt) # 定义跟随误差 e1 = np.array([0.0, 0.0]) e2 = np.array([0.0, 0.0]) e3 = np.array([0.0, 0.0]) # 定义领航车的轨迹 x_des = np.zeros((n_steps, 2)) y_des = np.zeros((n_steps, 2)) for i in range(n_steps): x_des[i] = np.array([i * v_des * dt, 0.0]) y_des[i] = np.array([i * v_des * dt, 5.0]) # 开始仿真 for i in range(n_steps): # 计算跟随误差 e1 = x1 - x_des[i] e2 = x2 - y_des[i] e3 = x3 - y_des[i] # 计算滑模控制器的控制量 u1 = -k1 * e1 - k2 * np.tanh(lambda1 * np.linalg.norm(e1)) * e1 / np.linalg.norm(e1) u2 = -k1 * e2 - k2 * np.tanh(lambda2 * np.linalg.norm(e2)) * e2 / np.linalg.norm(e2) u3 = -k1 * e3 - k2 * np.tanh(lambda2 * np.linalg.norm(e3)) * e3 / np.linalg.norm(e3) # 更新速度和位置 v1 = v1 + u1 * dt v2 = v2 + u2 * dt v3 = v3 + u3 * dt x1 = x1 + v1 * dt x2 = x2 + v2 * dt x3 = x3 + v3 * dt ``` 在这段代码中,我们首先定义了滑模控制器的参数,包括$k_1$,$k_2$,$\lambda_1$和$\lambda_2$。然后,我们定义了领航车的目标速度$v_{des}$和三个无人车的初始位置和速度。接下来,我们定义了无人车的控制量$u_1$,$u_2$和$u_3$,以及时间步长$dt$和仿真时间$t_{end}$。然后,我们计算了领航车的轨迹$x_{des}$和$y_{des}$。最后,我们开始了仿真,计算了跟随误差$e_1$,$e_2$和$e_3$,以及滑模控制器的控制量$u_1$,$u_2$和$u_3$,并更新了无人车的速度和位置。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值