چگونه میتوانید اتومبیلهای خودران یک مسیر کلی را در یک هواپیمای دوبعدی دنبال کنند و چگونه مطمئن میشوید که سرعتها، شتابها و زوایای فرمان اتومبیلهای خودران در حداقل و حداکثر مقدار واقعی خود باقی میمانند؟
اسم من مارک است. من یک مهندس رباتیک هوافضا هستم و در این دوره، شهود، ریاضیات و پیاده سازی پایتون را برای همه این موارد به شما ارائه خواهم کرد.
این دوره ادامه مستقیم درس "سیستمهای کنترل کاربردی 1: ماشینهای خودران: ریاضی + PID + MPC است. در دوره قبلی، الگوریتم کنترل پیشبینی مدل (MPC) فقط به خودروهای خودران اجازه تغییر مسیر را میداد. جاده مستقیم. ما یک تقریب زاویه کوچک را برای تبدیل مدل غیرخطی خود به زمان ثابت خطی (LTI) اعمال کردیم. این کار زندگی ما را آسانتر کرد اما الگوریتم کنترل پیشبینی مدل ما را نیز محدود کرد.
در این دوره، ما این سادهسازی را حذف میکنیم و به شما نشان میدهم که چگونه میتوانید یک کنترلکننده MPC خطی را برای یک سیستم غیرخطی با قرار دادن آن در یک فرم Linear Parameter Varying ابتدا اعمال کنید. با استفاده از این تکنیک بسیار محبوب، ماشین شما میتواند یک مسیر دو بعدی عمومی را ردیابی کند.
علاوه بر این، نحوه استفاده از حلکنندههای درجه دوم مانند qpsolvers quadprog را برای اعمال محدودیتهای MPC در خودروهای خودران یاد خواهید گرفت. در اکثر مشکلات کنترل، شما باید محدودیت هایی را در نظر بگیرید تا سیستم خود را در مقادیر معقول نگه دارید.
دانشی که از این دوره به دست می آورید، جهانی است و می توان آن را در بسیاری از سیستم ها در مهندسی سیستم های کنترل اعمال کرد.
به برخی از ویدئوهای پیش نمایش رایگان من نگاهی بیندازید و اگر آنچه را که می بینید دوست دارید، اکنون ثبت نام کنید و بیایید شروع کنیم.
امیدوارم شما را در داخل ببینم!
ریاضیات، سیستم های کنترل، پایتون، مکانیک: استاتیک و دینامیک
نمایش نظرات