python实现车辆跟随滑模控制的实例
作者:静候佳茵 发布时间:2022-10-16 10:22:25
标签:python,滑模,控制
上一篇文章介绍了Python使用OPENCV的目标跟踪算法实现自动视频标注效果,感兴趣的朋友点击查看,使用滑模变结构控制策略来解决汽车跟踪问题,今天通过本文介绍下python实现车辆跟随滑模控制的实例,内容如下所示:
下面分别采用指数趋近律、等速趋近律、准滑模控制的方法完成车辆跟随问题的仿真
import matplotlib.pyplot as plt
'''
指数趋近律、等速趋近律、准滑模控制的车辆跟随问题仿真, 运行结果以图片形式保存在同目录下。
'''
# q1, q2分别是切换函数ei1, ei2前面的系数
q1, q2 = 2, 1
# lan是指数趋近律前面的系数
lan = 0.5
# 设定期望车间距均为12
l1, l2, l3, l4 = 12, 12, 12, 12
# 设定汽车质量均为1000
m1, m2, m3, m4 = 1000, 1000, 1000, 1000
# 设定动力学模型分子的速度平方项前的系数ci均为0.5(按照模型符号是负的)
c1, c2, c3, c4 = 0.5, 0.5, 0.5, 0.5
# 设定动力学模型分子的常数项系数Fi均为200(按照模型符号是负的)
f1, f2, f3, f4 = 200, 200, 200, 200
# 设定五辆车汽车的位移、速度、加速度
x0, x1, x2, x3, x4 = [100.], [90.], [79.5], [68.5], [57.]
v0, v1, v2, v3, v4 = [20.], [19.], [18.], [17.], [16.]
a1, a2, a3, a4 = [0.], [0.], [0.], [0.]
# 设定趋近律
def reaching_law(m:int , s:float, q2:int, mode='exponential'):
'''
mode: 指数趋近律exponential| 等速趋近律uniform| 准滑模控制quasi_sliding
'''
if mode == 'exponential':
return -m * lan * s / q2
if mode == 'uniform':
epslion = 0.3
if s > 0:
return -m * epslion / q2
if s == 0:
return 0
if s < 0:
return m * epslion / q2
if mode == 'quasi_sliding':
delta, epslion = 0.8, 2.
if s < -delta:
return m * epslion / q2
if s > delta:
return -m * epslion / q2
else:
return -m * epslion * s / (delta * q2)
# 设定第一辆车的加速度(分段函数), 要注意t的长度和a0的长度相等
def get_a0(t:list):
a0 = []
for i in t:
if i < 4:
a0.append(0)
continue
if i >= 4 and i < 7:
a0.append(-0.25*(i-4))
continue
if i >= 7 and i < 10:
a0.append(-0.75)
continue
if i >= 10 and i < 16:
a0.append(0.25*(i-10)-0.75)
continue
if i >= 16 and i < 19:
a0.append(0.75)
continue
if i >= 19 and i < 22:
a0.append(0.25*(19-i)+0.75)
continue
if i >= 22 and i <= 30: # 注意i=30, 所以是取两端, 故为301份
a0.append(0)
return a0
if __name__ == "__main__":
t = [float(i/10) for i in range(301)] # 将30秒划分成301份, [0, 0.1, 0.2, ..., 29.9, 30]
a0 = get_a0(t)
# 四辆车的车间距误差ei1列表
e11 = [x1[0] - x0[0] + l1]
e21 = [x2[0] - x1[0] + l2]
e31 = [x3[0] - x2[0] + l3]
e41 = [x4[0] - x3[0] + l4]
# 四辆车的车间距误差导数ei2的列表
e12 = [v1[0] - v0[0]]
e22 = [v2[0] - v1[0]]
e32 = [v3[0] - v2[0]]
e42 = [v4[0] - v3[0]]
# 四辆车切换函数的列表
s1 = [q1 * e11[0] + q2 * e12[0]]
s2 = [q1 * e21[0] + q2 * e22[0]]
s3 = [q1 * e31[0] + q2 * e32[0]]
s4 = [q1 * e41[0] + q2 * e42[0]]
# 四辆车控制律的列表
u1, u2, u3, u4 = [0], [0], [0], [0]
for i in range(1, 301):
# 最前车0的速度、加速度更新,可以看出更新时用了直线等效, 0.1指的是时间标度(列表t划分的, 也是之后绘图打印的x轴)
v0.append(v0[i-1] + 0.1 * (a0[i] + a0[i - 1]) * 0.5)
x0.append(x0[i-1] + 0.1 * (v0[i] + v0[i - 1]) * 0.5)
# 车1的车间距误差及导数更新
e11.append(x1[i-1] - x0[i-1]+l1)
e12.append(v1[i-1] - v0[i-1])
# 车1的切换函数更新
s1.append(q1 * e11[i] + q2 * e12[i])
# 等效控制
u1equ = c1 * (e12[i] + v0[i]) * (e12[i] + v0[i]) - m1 * q1 * e12[i] / q2 + m1 * a0[i] + f1
# 反馈控制(指数趋近律)
u1n = reaching_law(m1, s1[i], q2) # 默认采用指数趋近律, 下同
# u1n = reaching_law(m1, s1[i], q2, mode='uniform') # 采用等速趋近律
# u1n = reaching_law(m1, s1[i], q2, mode='quasi_sliding') # 采用准滑模控制
# 更新控制律
u1.append(u1equ + u1n)
# 利用控制律更新车1的加速度、速度、位移, 加速度是利用动力学模型得到的
a1.append((-c1 * v1[i-1] * v1[i-1] + u1[i] - f1) / m1)
v1.append(v1[i-1] + 0.1 * (a1[i] + a1[i - 1]) * 0.5)
x1.append(x1[i-1] + 0.1 * (v1[i] + v1[i - 1]) * 0.5)
# 车2、3、4过程同车1
e21.append(x2[i-1] - x1[i-1]+l2)
e22.append(v2[i-1] - v1[i-1])
s2.append(q1 * e21[i] + q2 * e22[i])
u2equ = c2 * (e22[i] + v1[i]) * (e22[i] + v1[i]) - m2 * q1 * e22[i] / q2 + m2 * a1[i] + f2
u2n = reaching_law(m2, s2[i], q2) # 默认采用指数趋近律
# u2n = reaching_law(m2, s2[i], q2, mode='uniform') # 采用等速趋近律
# u2n = reaching_law(m2, s2[i], q2, mode='quasi_sliding') # 采用准滑模控制
u2.append(u2equ + u2n)
a2.append((-c2 * v2[i-1] * v2[i-1] + u2[i] -f2) / m2)
v2.append(v2[i-1] + 0.1 * (a2[i] + a2[i - 1]) * 0.5)
x2.append(x2[i-1] + 0.1 * (v2[i] + v2[i - 1]) * 0.5)
e31.append(x3[i-1] - x2[i-1]+l3)
e32.append(v3[i-1] - v2[i-1])
s3.append(q1 * e31[i] + q2 * e32[i])
u3equ = c3 * (e32[i] + v2[i]) * (e32[i] + v2[i]) - m3 * q1 * e32[i] / q2 + m3 * a2[i] + f3
u3n = reaching_law(m3, s3[i], q2)
# u3n = reaching_law(m3, s3[i], q2, mode='uniform')
# u3n = reaching_law(m3, s3[i], q2, mode='quasi_sliding')
u3.append(u3equ + u3n)
a3.append((-c3 * v3[i-1] * v3[i-1] + u3[i] -f3) / m3)
v3.append(v3[i-1] + 0.1 * (a3[i] + a3[i - 1]) * 0.5)
x3.append(x3[i-1] + 0.1 * (v3[i] + v3[i - 1]) * 0.5)
e41.append(x4[i-1] - x3[i-1]+l4)
e42.append(v4[i-1] - v3[i-1])
s4.append(q1 * e41[i] + q2 * e42[i])
u4equ = c4 * (e42[i] + v3[i]) * (e42[i] + v3[i]) - m4 * q1 * e42[i] / q2 + m4 * a3[i] + f4
u4n = reaching_law(m4, s4[i], q2)
# u4n = reaching_law(m4, s4[i], q2, mode='uniform')
# u4n = reaching_law(m4, s4[i], q2, mode='quasi_sliding')
u4.append(u4equ + u4n)
a4.append((-c4 * v4[i-1] * v4[i-1] + u4[i] -f4) / m4)
v4.append(v4[i-1] + 0.1 * (a4[i] + a4[i - 1]) * 0.5)
x4.append(x4[i-1] + 0.1 * (v4[i] + v4[i - 1]) * 0.5)
# 开始绘图
# 绘制加速度曲线
plt.figure() # 设置画布
plt.plot(t, a0, label='car 0') # :是指绘制点划线
plt.plot(t, a1, label='car 1')
plt.plot(t, a2, label='car 2')
plt.plot(t, a3, label='car 3')
plt.plot(t, a4, label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("Acceleration(m/s^2)",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./acceleration.png') # 保存图像
# 绘制速度曲线
plt.clf() # 清空画布,不然会前后图像会重叠
plt.plot(t, v0, ':', label='car 0')
plt.plot(t, v1, ':', label='car 1')
plt.plot(t, v2, ':', label='car 2')
plt.plot(t, v3, ':', label='car 3')
plt.plot(t, v4, ':', label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("velocity(m/s)",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./velocity.png') # 保存图像
# 绘制位置曲线
plt.clf()
plt.plot(t, x0, ':', label='car 0')
plt.plot(t, x1, ':', label='car 1')
plt.plot(t, x2, ':', label='car 2')
plt.plot(t, x3, ':', label='car 3')
plt.plot(t, x4, ':', label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("position(m)",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./position.png')
# 绘制车间距误差ei1曲线
plt.clf()
plt.plot(t, e11, label='car 1')
plt.plot(t, e21, label='car 2')
plt.plot(t, e31, label='car 3')
plt.plot(t, e41, label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("space error(m)",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./space_error.png')
# 绘制车间距误差导数ei2曲线
plt.clf()
plt.plot(t, e12, ':', label='car 1')
plt.plot(t, e22, ':', label='car 2')
plt.plot(t, e32, ':', label='car 3')
plt.plot(t, e42, ':', label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("space_error_derivative(m)",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./space_error_derivative.png')
# 绘制切换函数曲线
plt.clf()
plt.plot(t, s1, label='car 1')
plt.plot(t, s2, label='car 2')
plt.plot(t, s3, label='car 3')
plt.plot(t, s4, label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("Switching Function",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./Switching_Function.png')
# 绘制控制输入U曲线
plt.clf()
plt.plot(t, u1, label='car 1')
plt.plot(t, u2, label='car 2')
plt.plot(t, u3, label='car 3')
plt.plot(t, u4, label='car 4')
plt.xlabel("Time(s)",fontsize=13)
plt.ylabel("Control Input",fontsize=13)
plt.xlim(0, 30)
plt.legend()
plt.savefig('./Control_Input.png')
来源:https://www.cnblogs.com/hitwherznchjy/p/16221206.html
0
投稿
猜你喜欢
- UUID(Universally Unique Identifier)是通用唯一识别码,在许多领域用作标识,比如我们常用的数据库也可以用它来
- 前几天有一个需求,透视表中的年级这一列要按照一年级,二年级这样的序列进行排序,但是用过透视表的人都知道,透视表对中文的排序不是太理想,放弃p
- 前言:列表框控件显示多行文本,用户可以选中一行或者多行。所有的文本只能使用一种字体,不能混合使用多种字体。1 属性常用的参数列表如下:1.1
- MySQL存储过程与存储函数的相关概念存储函数和存储过程的主要区别:存储函数一定会有返回值的存储过程不一定有返回值存储过程和函数能后将复杂的
- 1:下载MySql 官网下载地址:https://dev.mysql.com/downloads/mysql/ 选择对应
- 把value插入dataframe的指定位置loc中,若插入的数据value已在DataFrame中,则返回 错误ValueError,如想
- 前言复习试题时,发现一道复数问题问题关于 Python 的复数类型,以下选项中描述错误的是A复数的虚数部分通过后缀“J”或者“j”来表示B对
- 本文实例讲述了Python实现计算两个时间之间相差天数的方法。分享给大家供大家参考,具体如下:#-*- encoding:UTF-8 -*-
- 前言以mysql为例,汇总sql查询最高分、最低分、平均分等sql语句,oracle语法类似,可自行修改以下sql语句创建两个数据库表,一个
- 当你标记了翻译字符串,你就需要写出(或获取已有的)对应的语言翻译信息。 这里就是它如何工作的。地域限制Django不支持把你的应用本地化到一
- SQL2000个人版安装完后遇到的问题,安装然后去点应用程序,上面显示(应用程序正常初始化失败0乘以C0000135失败)。 以前没安装SQ
- pymsql是Python中操作MySQL的模块,其使用方法和MySQLdb几乎相同。但目前pymysql支持python3.x而后者不支持
- 前言看文档不认真,开发也没有多注意,总是hack。忽悠忽悠就过去,但怎么说,歪门邪道还是不太好,现在就亡羊补牢,总结总结。数组索引使用下标更
- 本文实例讲述了Python解析并读取PDF文件内容的方法。分享给大家供大家参考,具体如下:一、问题描述利用python,去读取pdf文本内容
- 点乘和矩阵乘的区别: 1)点乘(即“ * ”) ---- 各个矩阵对应元素做乘法若 w 为 m*1 的矩阵,x
- 首先,Python 完整的异常处理语法结构如下:try: #业务实现代码except Exception1 as e: &nbs
- 建立完回归模型后,还需要验证咱们建立的模型是否合适,换句话说,就是咱们建立的模型是否真的能代表现有的因变量与自变量关系,这个验证标准一般就选
- 最近使用Mac系统,准备搭建一套本地web服务器环境。因为Mac系统自带PHP和apach,但是没有自带mysql,所以要手动去安装mysq
- 目录前言解决方案工具介绍工作原理使用限制使用注意使用示例部分参数说明输出结果示例腾讯云数据库 MySQL 使用注意总结一下前言写作案例分析,
- 引子Tornado 是一个网络异步的的web开发框架, 并且可以利用多进程进行提高效率, 下面是创建一个多进程 tornado 程序的例子.