摘要：针对传统轨迹跟踪控制方法应用场景局限,精度不高的问题,为实现车辆横纵向联合控制从而提升无人驾驶汽车在结构化场景下的轨迹跟踪效果,本文建立了自然坐标系下的车辆跟踪误差模型,设计基于LQR与PID相结合的车辆横纵向耦合控制器。在横向控制层面,为消除系统稳定误差,通过引入前馈控制量实现系统的整体稳定,减小车辆在实际运行过程中产生的横向误差,提升控制过程的稳定性;在纵向控制层面,运用PID控制策略进行调节,实现车辆的实际速度与规划速度,实际位置与规划位置之间的精确匹配。通过MATLAB/Simulink与Carsim搭建联合仿真平台,针对日常泊车、驶入主路以及超车多种工况进行仿真验证。仿真结果表明:本文所设计的横纵向联合控制器将车辆的轨迹跟踪误差控制在可接受范围之内的同时,轨迹跟踪效果满足乘客对车辆乘坐舒适性的要求,故本文设计的控制器具备一定的稳定性和准确性。

摘要：针对神经网络模型可以基于现有数据快速准确地预测风力机翼型的气动性能,但大量学习样本的构建需要较高的时间成本的问题,建立基于小样本集的风力机翼型神经网络模型,提出了多约束条件下的翼型气动性能优化设计方法,解决了训练数据过少所造成的学习不充分问题。基于建立的优化设计模型,应用粒子群算法完成了NACA4415翼型的优化设计,将新翼型与原始翼型进行气动特性对比分析。结果表明:新翼型在主要工作攻角范围内最大升力系数提高了6.96%,最大升阻比提高了7.37%,气动性能明显改善;该方法的优化效率远远高于传统方法,从而验证了该方法的可行性。