自动驾驶基础一车辆模型

  1. 模型概述：
    • 自行车动力学模型通常用于研究自行车在骑行过程中的行为，如稳定性、操控性和速度等。
    • 模型可以基于不同的简化假设和复杂度，从简单的二维模型到复杂的三维模型，甚至包括骑行者的动态。
  2. 力学方程：
    • 基础物理学方程F=ma（力 = 质量×加速度）被应用于自行车运动。在恒定速度下，这简化为FP=FR，其中FP是推进力，FR是所有阻力的总和。
    • 阻力包括重力阻力（在斜坡上骑行时）、向前运动的空气阻力、滚动阻力、车轮轴承阻力和车轮转动的空气阻力等。
  3. 动力学建模方法：
    • 自行车动力学模型可以使用不同的数学工具和方法来建立，如牛顿-欧拉方法、拉格朗日方程等。
    • 拉格朗日方程以能量和功作为力学基本量，特别适用于受约束系统的动力学问题。对于自行车一人体系统，由于刚体数目较少，经典的拉格朗日方程是一个合适的选择。
  4. 空气动力学应用：
    • 空气动力学在自行车设计中非常重要，特别是在降低风阻和提高稳定性方面。
    • 通过优化车架结构、改变车手体位和车轮形状等措施，可以减少空气阻力的影响，提高自行车的速度和效率。
  5. 模型参数：
    • 模型参数可以包括自行车的质量、车轮半径、转动惯量、阻力系数等。
    • 骑行者的体重、身高、骑行技能等也会影响模型的结果。
  6. 动力学模型中，有几个重要的参数需要考虑

3. 算法流程

  1. 质量参数：
    • 自行车和骑手的总质量（m）：这个参数影响重力阻力和其他阻力的计算。例如，在重力阻力的公式 Fg = mgsin(arctan(G)) 中，m 代表了自行车和骑手的总质量。
  2. 阻力系数：
    • 空气阻力系数（Cd）：在向前运动的空气阻力 FA = 0.5 * Cd * A * ρ * vA^2 中，Cd 是阻力系数，代表了自行车和骑手形状的空气动力学特性。
    • 滚动阻力系数：这通常与轮胎材料和路面条件有关，影响滚动阻力 FR 的大小。
  3. 几何尺寸：
    • 自行车和骑手的正面面积（A）：用于计算空气阻力。
    • 自行车长度（lf 和 lr）：质心到前后轮中心的距离，这些参数在车辆动态方程中用于计算轮胎的侧向力。
  4. 物理常数：
    • 重力加速度（g）：通常取 9.81 m/s^2，用于计算重力阻力。
    • 空气密度（ρ）：影响空气阻力的计算，通常根据环境条件（如海拔、温度等）进行调整。
  5. 运动学参数：
    • 期望速度（v_desired）：个体自由行驶时的速度，这反映了骑行者的意图和期望。
    • 反应系数：包括横向和纵向两类，描述了个体对于横向和纵向个人空间的需求程度。
    • 动作持续时间和避让力强度：这些参数描述了骑行者在面对障碍物或需要改变行驶方向时的反应。
  6. 环境参数：
    • 坡度（G）：影响重力阻力的计算，陡峭的坡度会对骑行者的努力产生更大的需求。
    • 路面条件：这会影响滚动阻力和轮胎的侧向力。
  7. 传输系统效率（η）：
    • 在将骑手的输入功率（P_in）转换为推进功率时，需要考虑传输系统的效率。这反映了自行车机械部件（如链条、齿轮等）的摩擦损失。
  8. 车辆动态参数：
    • 车辆的动态方程可能会包含其他参数，如车辆的转动惯量、车轮的半径和宽度等，这些参数在更复杂的模型中可能会考虑。
  9. 自行车尺寸参数：
    • 轴距（Wheelbase）：前后轮轴之间的距离，影响车辆的稳定性和操控性。
    • 车轮半径（Wheel radius）：用于计算车辆的滚动速度和角速度。
    • 自行车高度（Bicycle height）：从地面到自行车顶部的距离，可能影响空气动力学特性。
  10. 自行车惯性参数：
    • 自行车质量分布（Mass distribution）：质心位置，影响车辆的操控稳定性和侧翻阈值。
    • 转动惯量（Moments of inertia）：车辆绕不同轴的转动惯量，影响车辆的旋转动态。
  11. 轮胎参数：
    • 轮胎侧偏刚度（Cornering stiffness）：描述轮胎在侧向力作用下的抵抗变形能力，影响车辆的操控性和稳定性。
    • 轮胎滚动摩擦系数（Rolling friction coefficient）：影响滚动阻力和车辆的滑行特性。
  12. 骑行者参数：
    • 骑行者体重（Rider weight）：影响车辆的总质量和重力阻力。
    • 骑行者身高（Rider height）：可能用于计算骑行者的舒适骑行姿势和空气动力学特性。
    • 骑行者骑行技能（Riding skill）：尽管这不是一个物理参数，但骑行者的技能水平会显著影响车辆的实际动态行为。
  13. 操控参数：
    • 方向盘/手柄转角（Steering angle）：用于控制车辆的转向。
    • 踏板力/功率（Pedal force/power）：用于控制车辆的速度和加速度。
  14. 外部干扰参数：
    • 风速和风向（Wind speed and direction）：影响车辆的空气动力学特性和稳定性。
    • 路面不平度（Road roughness）：影响车辆的振动和操控稳定性。
  15. 控制策略参数（如果模型包含控制策略）：
    • 控制增益（Control gains）：用于调整控制器对车辆动态行为的影响程度。
    • 控制延迟（Control delay）：反映实际控制系统中的响应时间延迟。
  16. 车辆状态参数：
    • 纵向速度（Longitudinal velocity）：车辆前进的速度。
    • 横向速度（Lateral velocity）：车辆侧向移动的速度，通常较小但在曲线行驶时很重要。
    • 偏航角（Yaw angle）：车辆前进方向与绝对坐标系的夹角。
    • 偏航率（Yaw rate）：车辆偏航角的变化率，即车辆的转向速度。

  17. 1. 车辆动力学模型

    车辆动力学模型是描述汽车运动规律的微分方程，它通常基于牛顿第二定律（F=ma）来推导。在这个模型中，车辆的运动受到多种力的影响，包括驱动力、制动力、阻力和转弯力等。

    2. 关键参数和公式

  18. 质量（m）：车辆的质量，影响加速度和动能的计算。
  19. 速度（v）：车辆的速度，可以分解为纵向速度（v_x）和横向速度（v_y）。
  20. 加速度（a）：车辆的加速度，描述了速度的变化率。
  21. 扭矩（T）：发动机或电动机产生的扭矩，与转速（n）和马力（P）的关系为 T = P × 5252 / n。
  22. 马力（P）：发动机或电动机的功率，与扭矩和转速的关系为 P = T × n / 5252。
  23. 动能（KE）：KE = 0.5 × m × v^2，描述了车辆由于运动而具有的能量。
  24. 动量（p）：p = m × v，描述了车辆的质量和速度的乘积。
  25. 刹车距离（d）：d = (初速度 - 终速度)^2 / (2 × 刹车减速度)，用于估算车辆的制动距离。
  26. 车辆建模：根据车辆的结构和参数，建立车辆动力学模型。
  27. 数据采集：通过车辆传感器和控制单元实时采集车速、油门位置、制动状态等数据。
  28. 目标优化：根据驾驶情况和用户需求，确定优化目标，如最小化燃油消耗、最大化加速性能或最小化排放。
  29. 控制策略：基于动力系统模型和优化目标，采用先进的控制策略来调整引擎功率、电机输出、换挡时机等。
  30. 实时优化：在车辆运行过程中，根据实时采集的数据和控制策略，不断优化车辆的动力性能。

  31. RK4（Runge-Kutta 4阶方法）是一种用于解决常微分方程的数值方法，以下是对其的详细解释：

  32. 定义与原理：
    • RK4是一种高精度的算法，用于求解微分方程的数值解。
    • 它是一种迭代方法，通过逐步逼近精确解来得到数值解。
    • RK4方法基于泰勒级数展开的思想，通过在差商区间内取多点斜率加权平均代替导数方法来提高精度。
  33. 算法步骤：
    • 假设要求解初值问题：(y' = f(t, y), y(t_0) = y_0)。
    • RK4的迭代公式为：
      (y_{n+1} = y_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4))
      其中，(h) 是仿真步长，满足 (h < \text{某个给定值})，而 (k_1, k_2, k_3, k_4) 是基于当前函数值和导数值的加权斜率。
    • (k_1, k_2, k_3, k_4) 的计算方式如下：
      • (k_1 = f(t_n, y_n))
      • (k_2 = f(t_n + \frac{h}{2}, y_n + \frac{h}{2}k_1))
      • (k_3 = f(t_n + \frac{h}{2}, y_n + \frac{h}{2}k_2))
      • (k_4 = f(t_n + h, y_n + hk_3))
  34. def rk4(func: Callable, state: np.ndarray, dt: float = 0.01, t: float = 0, **kwargs):"""single-step fourth-order numerical integration (RK4) methodfunc: system of first order ODEsstate: current state vector [y1, y2, y3, ...]dt: discrete time step sizet: current time**kwargs: additional parameters for ODE systemreturns: y evaluated at time k+1"""# evaluate derivative at several stages within time intervalf1 = func(t, state, **kwargs)f2 = func(t + dt / 2, state + (f1 * (dt / 2)), **kwargs)f3 = func(t + dt / 2, state + (f2 * (dt / 2)), **kwargs)f4 = func(t + dt, state + (f3 * dt), **kwargs)return state + (dt / 6) * (f1 + (2 * f2) + (2 * f3) + f4)class BicycleVehicle(Vehicle):"""A dynamical bicycle model, with tire friction and slipping.See Chapter 2 of Lateral Vehicle Dynamics. Vehicle Dynamics and Control. Rajamani, R. (2011)"""MASS: float = 1  # [kg]LENGTH_A: float = Vehicle.LENGTH / 2  # [m]LENGTH_B: float = Vehicle.LENGTH / 2  # [m]INERTIA_Z: float = (1 / 12 * MASS * (Vehicle.LENGTH**2 + Vehicle.WIDTH**2))  # [kg.m2]FRICTION_FRONT: float = 15.0 * MASS  # [N]FRICTION_REAR: float = 15.0 * MASS  # [N]MAX_ANGULAR_SPEED: float = 2 * np.pi  # [rad/s]MAX_SPEED: float = 15  # [m/s]def __init__(self, road: Road, position: Vector, heading: float = 0, speed: float = 0) -> None:super().__init__(road, position, heading, speed)self.lateral_speed = 0self.yaw_rate = 0self.theta = Noneself.A_lat, self.B_lat = self.lateral_lpv_dynamics()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/852608.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【数据结构与算法】广度优先遍历

【数据结构与算法】广度优先遍历

前序/中序/后序遍历属于 深度优先遍历 广度优先遍历实现 节点定义 /*** Definition for a binary tree node.* function TreeNode(val) {* this.val val;* this.left this.right null;* }*/对应lc 102题 注意js里面 push pop unshift shift之间的区别和关系 // 递…
阅读更多...
【SpringBoot整合系列】SpringBoot整合kinfe4j

【SpringBoot整合系列】SpringBoot整合kinfe4j

目录 kinfe4j与Swagger的区别 SpringBoot2.x整合kinfe4j1.添加依赖2.启动类注解3.创建Knife4J配置类4.实体类5.接口admin访问 api访问 常用注解汇总SpringBoot3.x整合Kinfe4j启动报错解决1.更换依赖2.启动类3.配置4.配置类5.参数实体类6.接口admin访问 api访问 各版本注解参照 …
阅读更多...
树莓派4B学习笔记8：开机自启动Python脚本_kill关闭后台脚本

树莓派4B学习笔记8：开机自启动Python脚本_kill关闭后台脚本

今日继续学习树莓派4B 4G&#xff1a;&#xff08;Raspberry Pi&#xff0c;简称RPi或RasPi&#xff09; 本人所用树莓派4B 装载的系统与版本如下: 版本可用命令 (lsb_release -a) 查询: Opencv 版本是4.5.1&#xff1a; 紧接着上篇文章学习的串口通信,今日学习如何让树莓派开机…
阅读更多...
【方法】如何解除PDF“打开密码”？

【方法】如何解除PDF“打开密码”？

很多人会给PDF文件设置密码保护&#xff0c;防止文件被随意打开。那如果后续想要解除“打开密码”&#xff0c;如何操作呢&#xff1f; 首先&#xff0c;我们要分两种情况来看&#xff0c;一种是知道密码的情况下&#xff0c;不需要保护文件了&#xff0c;也就是不想每次打开P…
阅读更多...
若依Ruoyi-vue和element admin的区别，该如何选择。

若依Ruoyi-vue和element admin的区别，该如何选择。

提到中后台的前端框架&#xff0c;每个人都能列举出很多&#xff0c;这其中提及率比较高的就是Ruoyi和element admin两款&#xff0c;很多小伙伴分不清二者&#xff0c;本文为大家详细讲解一下。 一、若依Ruoyi-vue是什么&#xff1f; 若依Ruoyi-Vue是一款基于 Vue.js 开发的…
阅读更多...
React基础教程：TodoList案例

React基础教程：TodoList案例

todoList案例——增加 定义状态 // 定义状态state {list: ["kevin", "book", "paul"]}利用ul遍历list数组 <ul>{this.state.list.map(item ><li style{{fontWeight: "bold", fontSize: "20px"}} key{item.i…
阅读更多...
DAC测试实验——FPGA学习比

DAC测试实验——FPGA学习比

一、DAC简介 DAC全称Digital to Analog Converter&#xff0c;即数模转换器。它用于将主控芯片产生的数字值(0和1)转换为模拟值(电压值)。 1、DAC参数指标 2、DAC类型 常用的DAC可大致分为权电阻网络DAC、T型电阻网络DAC、倒T型电阻网络DAC以及权电流型DAC。 3、AD9708/3PD9…
阅读更多...
Idea jdk配置的地方 启动时指定切换的地方

Idea jdk配置的地方 启动时指定切换的地方

jdk 配置的地方 项目sdk 所在位置 管理添加或删除的地方&#xff0c;增加后&#xff0c;可以在在上面切换 启动时指定版本
阅读更多...
富格林：力争打破黑幕安全盈利

富格林：力争打破黑幕安全盈利

富格林认为&#xff0c;在当前全球环境因素的影响下&#xff0c;黄金价格会波动地相对频繁些。现货黄金作为一种可以双向交易的金融产品&#xff0c;为投资者提供了丰富的获利机会。然而&#xff0c;伴随着盈利机会而来的是黑幕风险。在安全盈利的同时&#xff0c;还需要防范黑…
阅读更多...
Ant-Design-Vue 动态表头

Ant-Design-Vue 动态表头

Ant Design Vue 是一个基于 Vue.js 的企业级 UI 组件库&#xff0c;提供了丰富的 UI 组件以满足不同的需求。在处理动态表头和动态数据时&#xff0c;你通常需要结合 Vue 的数据绑定和循环渲染特性来实现。 下面是一个基本的例子&#xff0c;展示如何使用 Ant Design Vue 的 a…
阅读更多...
基于机器学习的CFD模型降阶

基于机器学习的CFD模型降阶

降阶模型 ROM 降阶模型ROM&#xff08;Reduced Order Models&#xff09;是一种对高保真度静态或动态模型的简化方法。模型降阶在保留了模型的基本特性与主导效应的同时&#xff0c;大大减少复杂模型的CPU计算时间及存储空间。 ROM的用途&#xff1a; 加速大规模系统的仿真速度…
阅读更多...
pytorch学习笔记7

pytorch学习笔记7

getitem在进行索引取值的时候自动调用,也是一个魔法方法,就像列表索引取值那样,一个意思 import torchvision from torch.utils.data import DataLoaderdata_transformtorchvision.transforms.Compose([torchvision.transforms.ToTensor()] ) test_datatorchvision.datasets.C…
阅读更多...
Elasticsearch 提供了多种实现自动补全和基于上下文的提示的功能

Elasticsearch 提供了多种实现自动补全和基于上下文的提示的功能

Elasticsearch 提供了多种实现自动补全和基于上下文的提示的功能&#xff0c;这些功能通常用于搜索框中的自动完成建议。以下是一些常用的 Elasticsearch 特性和相关实现方法&#xff1a; ### 1. 完成建议&#xff08;Completion Suggester&#xff09; 完成建议&#xff08;…
阅读更多...
C++面向对象：多态性

C++面向对象：多态性

多态性 1.概念 多态性是面向对象的程序设计的一个重要特征。在面向对象的方法中一般是这样表述多态的&#xff1a;向不同的对象发送同一个信息&#xff0c;不同的对象在接收时会产生不同的行为。也就是说&#xff0c;每个对象用自己的方式去响应共同的消息。 2.典例 下面这…
阅读更多...
R语言绘制三变量分区地图

R语言绘制三变量分区地图

参考资料&#xff1a; https://mp.weixin.qq.com/s/5c7gpO2mJ2BqJevePJz3CQ tricolore包教程&#xff1a;https://github.com/jschoeley/tricolore 学习笔记&#xff1a;Ternary choropleth maps 1、测试实例 代码&#xff1a; library(ggplot2) library(rnaturalearthdata) …
阅读更多...
android studio4.1后不能ButterKnife

android studio4.1后不能ButterKnife

麻蛋L最近发现 android studio不能使用ButterKnife啦&#xff01;ButterKnife Injections不维护&#xff0c;butterknife Zelezny也不维护&#xff01;&#xff01;&#xff01;日…难受&#xff0c;兄弟们换下一家&#xff1a;IDsCreate&#xff0c;一毛一样的好用&#xff01…
阅读更多...
TCP/IP协议简要介绍

TCP/IP协议简要介绍

TCP/IP for IP version 4&#xff08;IPv4&#xff09;是一种网络协议&#xff0c;Microsoft Windows使用该协议通过internet与其他计算机进行通信。理想情况下&#xff0c;只要基于Windows的计算机通过网络进行通信&#xff0c;就会使用TCP/IP。 本文介绍TCP/IP协议的组成、协…
阅读更多...
蓝牙模块与其他无线技术的比较与选择

蓝牙模块与其他无线技术的比较与选择

在无线通信技术日新月异的今天&#xff0c;蓝牙模块、WiFi、Zigbee和NFC等技术都发挥着至关重要的作用。它们在智能设备、工业自动化、智能家居等多个领域得到广泛应用&#xff0c;各自拥有独特的优点和局限性。本文将对这几种无线技术进行详细的比较&#xff0c;分析它们的优缺…
阅读更多...
接口自动化测试工程化——了解接口测试

接口自动化测试工程化——了解接口测试

什么是接口测试 接口测试也是一种功能测试 我理解的接口测试&#xff0c;其实也是一种功能测试&#xff0c;只是平时大家说的功能测试更多代指 UI 层面的功能测试&#xff0c;而接口测试更偏向于服务端层面的功能测试。 接口测试的目的 测试左移&#xff0c;尽早介入测试&a…
阅读更多...
vlc多媒体播放器（支持各种本地视频、网络视频、音频及摄像头直播地址）winform（支持全屏）自动适应x86、x64平台插件及重要代码

vlc多媒体播放器（支持各种本地视频、网络视频、音频及摄像头直播地址）winform（支持全屏）自动适应x86、x64平台插件及重要代码

1、学习vlcControl1及libvlc.dll类方法（x86为例）最新v3.0.21 1.1 本博文以控件（vlcControl1）方式为主介绍 1.2 安装-引用，添加控件到窗体 using Vlc.DotNet.Forms; 1.3 窗体布局、编写代码 打开文件（以本地媒体文件为主）打开地址（以网络媒体地址为主）播放|暂停功能停…
阅读更多...
最新文章

Copyright @ 2022~2023