墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2k累计阅读
2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
文章探讨了车辆过减速带时如何通过调整质心垂向加速度控制策略，如使用天棚算法减少余震。提出一种方案，即在过减速带时针对前后轴调整电流，有效降低振动。
如上图所示，车辆以40km/h过减速带时，质心垂向加速度突然变化的同时，纵向加速度与侧向加速度也会引起突变。
我们在之前文章里提到，侧向控制与纵向控制是根据侧向加速度与纵向加速度来做的，因此，过减速带时所引起的这两个加速度，应该把它排除在侧向与纵向控制之外，不让它影响到正常的控制。
如上图所示，蓝线为常电流0.8A (相当于被动减振器)的车辆过减速带时质心垂向加速度，红线为调好参数的天棚算法过减速带的质心垂向加速度，可以看到，经过减速带后，余震偏多，反而是常电流情况下余震少一点。
我们上一篇文章中已经实现实时减速带检测。我们自然而然可以想到，过减速带时用常电流，正常路面时仍旧天棚控制，看下效果。
如上图所示，相对于天棚控制的余震不断，采用如下方案：前轴过减速带时前轴电流1.2A，后轴过减速带时电流0.8A以后，余震减少很多，控制效果相对被动减振器也有提高。
从“过减速带”到“路面估计”：手把手拆解CDC控制的7大功能模块，各自到底需要哪些传感器信号？
本文深入解析了连续阻尼控制(CDC)技术在智能底盘系统中的7大功能模块及其所需的传感器信号配置。从垂向振动控制到路面估计，详细探讨了各模块如何通过精准的传感器信号实现驾乘品质的提升，特别强调了CDC与传感器的协同作用，为工程师提供了实用的技术参考。
天棚控制算法原理及仿真
天棚控制算法思想最早是由一个外国人Karnopp在1974年最早提出来的，为了有效减轻路面颠簸对车身的影响，为了最大程度将车身与路面解耦，他设想有一个减振器，直接一端链接天空，另一端链接车身；这个减振器的阻尼力方向与车身运动方向相反，恰好能使得车身保持在水平位置不动；这样，就算路面再怎么颠簸，都不会影响到车身，如下图所示：按照他的设想，四分之一车悬架动力学模型就变成下面这样子；当然，这个设想是理想化，不可能实现的，现实中减振器都是按照在车轮与车身之间，不可能按照在天空与车身之间。
CDC半主动悬架控制入门：如何用7自由度模型分析车身姿态与平顺性
本文深入探讨了CDC半主动悬架控制在7自由度模型中的应用，通过模型搭建与仿真分析，详细解析了车身姿态与平顺性的优化方法。文章涵盖了CDC阻尼系数的动态调整、Simulink仿真设置及多目标优化策略，为底盘电控工程师提供了实用的技术指导。
基于目标检测模型的---停车位检测、低矮障碍物、地面标识检测
只采用目标检测（没有关键点、旋转框，只有2D框）的方法在fisheye bev图上同时检测 1、线车位、砖车位、空间车位、立体车位（包含水平、垂直、斜列） 2、各种低矮障碍物接地框（轮档、限位杆，雪糕筒、地锁、隔离桩、树干、电线杆、石柱、石球、防撞桶等） 3、地面标识：地面箭头方向、减速带方向、残疾人标识等
Simulink七自由度主动悬架建模与模糊PID控制实战
整车动力学建模中，七自由度悬架系统因车身垂向、俯仰、侧倾与车轮跳动的强耦合而成为难点。通过Simulink搭建运动方程，结合滤波白噪声模拟随机路面，并引入模糊PID实现参数自整定，可有效抑制车身振动。针对作动器延迟，采用二阶滞后补偿与变步长求解器优化仿真精度。该方案在ISO2631指标下显著降低座椅加速度，适用于悬架控制算法验证与ESP集成，为智能底盘开发提供可复现框架。
减速带检测数据集VOC+YOLO格式使用指南：从格式转换到YOLO训练实战
目标检测是计算机视觉的核心任务之一，而高质量的训练数据集是模型效果的基础。在自动驾驶、辅助驾驶及道路巡检等场景中，减速带检测作为典型的小目标识别需求，常因数据集稀缺而难以落地。本文从数据标注格式的本质出发，对比VOC与YOLO两种主流格式的坐标体系与目录结构，解析格式转换的数学原理，并围绕一份5400张的减速带专用数据集，系统讲解数据体检、划分策略、YOLO模型训练参数调优、数据增强适配以及部署评估中的关键技巧。无论你是刚接触目标检测的开发者，还是正在为自定义数据训练YOLO系列模型而苦恼的工程师，都能从中
simulink主动悬架控制策略模型。 有天棚控制。 地棚控制。 定制悬架系统模糊控制。 lq...
这些算法在Simulink里能玩出各种花样，比如把模糊控制和LQG做分层控制，上层决策下层执行。在汽车工程领域，主动悬架系统就像变形金刚的关节——既要扛得住颠簸路面的暴击，又要给乘客丝滑的乘坐体验。说到智能控制，必须祭出模糊PID这个妖孽。这种组合拳在60km/h过减速带时，车身起伏能压到纯天棚控制的2/3，而且轮胎接地力波动不超过15%。天棚控制，地棚控制，混合天地棚控制，模糊pid控制，pid控制等各种优化算法。天棚控制，地棚控制，混合天地棚控制，模糊pid控制，pid控制等各种优化算法。
减速带检测数据集VOC+YOLO格式5400张图，YOLOv8训练实战全解析
目标检测作为计算机视觉的核心任务，在智能交通与自动驾驶领域扮演着关键角色。实际场景中，减速带这类小型路面目标常因样本稀缺而难以训练。针对这一问题，一套专门构建的减速带检测数据集，采用VOC与YOLO双格式标注，包含5400张图片和单一类别，为模型训练提供了高质量数据基础。从格式转换到YOLOv8训练流程，再到小目标检测的精度优化，本文将系统性介绍该数据集的结构、标注规范及工程实践中的踩坑经验，帮助ADAS、道路检测等场景快速落地减速带识别能力。
弯道快才是真的快，但车辆高速转弯时既要保持路径跟踪精度又要防止甩尾，这事儿可比秋名山飙车复杂多了。今天咱们来拆解一个兼顾横摆稳定性的控制方案，直接上代码说人话
先说核心架构：MPC负责方向盘的精准控制，滑膜控制器当救火队员处理紧急横摆，最后用轮胎附着率优化分配力矩。MPC在10步预测时域内求解最优转向序列，目标函数里路径跟踪误差权重是横摆角速度的三倍——毕竟宁可稍微压线也不能让车尾甩出去。仿真结果很有意思：双移线工况下，纯MPC方案最大侧偏角4.2度，而联合控制方案压到2.8度。雪地路面测试时，力矩分配策略让轮胎附着裕度保持15%以上，像给轮胎装了防滑链。这里前轮附着限值0.8，后轮0.6，模拟车辆加速时的重量转移。~ 采用滑膜控制计算车辆附加横摆力矩。
模型预测控制(MPC)主动悬架模型 MPC是一种根据模型预测的方式滚动优化的控制方法，依据
模型预测控制（MPC）是一种基于模型预测的滚动优化控制方法，通过使用自定义权重并通过求解二次规划问题，实现最优的控制效果。MPC算法可以在Simulink中编写，通过比较主动悬架和被动悬架的性能指标，如弹簧载质量加速度、悬架动挠度和俯仰角速度等变量，来观察MPC控制器的控制效果。在模型预测控制中，可以选择多个路面模型，如C级路面、减速带等。通过绘制悬架性能指标，可以评估悬架在不同路面条件下的性能表现。对于2自由度（1 4）主动悬架模型和4自由度（半车）主动悬架模型，MPC算法可以为调节型的控制模型提供一些参
常微分方程 (ODE) 和 随机微分方程 (SDE)
常微分方程（Ordinary Differential Equations, ODE）和随机微分方程（Stochastic Differential Equations, SDE）是数学中描述系统动态行为的重要工具。它们有一些相似之处，但在处理随机性方面存在显著差异。
KF-GINS开源代码讲解直播课PPT和学习资源
武汉大学i2Nav团队开源的基于卡尔曼滤波的GNSS/INS组合导航系统（KF-GINS）算法代码。代码结合i2Nav团队已公开的视频课程、讲义[1, 2]进行设计，作为基础的GNSS/INS松组合算法研究平台。KF-GINS采用C++语言编写，各功能函数和模块相对独立，复用性和可扩展性较强。[1] 牛小骥, 陈起金, “惯性导航原理与GNSS/INS组合导航课程讲义”, 武汉大学多源智能导航实验室, 2022.
Miniconda3迁移(附图详细过程)
服务器上目录占满，想要将conda迁移到其他目录下的操作方法，详细教程。
直接上干货吧。今天聊点硬核的——怎么用模型预测控制（MPC）让汽车悬架系统在各种烂路上稳如老狗。别被那些教科书公式吓到，咱们用Simulink实操说话
更狠的是遇到随机路面输入时，传统主动悬架的动挠度会频繁触碰到机械限位装置，MPC却能提前0.2秒预判，把行程控制在安全区域的80%以内。MPC是一种根据模型预测的方式在有限时域内求解最优解的控制方法，MPC善于处理多约束和多目标优化问题，基于系统的性能要求，设计mpc代价函数，以优化代价函数最小为目标求解系统的输入。MPC是一种根据模型预测的方式在有限时域内求解最优解的控制方法，MPC善于处理多约束和多目标优化问题，基于系统的性能要求，设计mpc代价函数，以优化代价函数最小为目标求解系统的输入。
360加固DEX解密与ELF修复技术解析
本文深入解析360加固的DEX解密与ELF修复技术，详细介绍了其多层保护机制、Java层入口分析、Native层加载流程及反调试绕过技巧。通过RC4和zlib解密技术，结合Frida工具实现内存Dump和ELF文件修复，为逆向工程师提供实用解决方案。
Workbench中直接调用ICEM CFD进行网格划分
自从ANSYS 12.0之后，ICEM CFD就从Workbench中被分离出去，作为一个独立的程序使用了。取而代之的是Meshing模块。 在Meshing的属性节点菜单中右键点击Mesh，选择Insert > Method，插入方法。 选择需要划分网格的几何体，点击apply。此时Geometry显示为1 Body。 设置Method为MultiZone，如果不设置成这个的话，找不到进入ICEM CFD的入口。如果要划分四面体，可以在Mapped Mesh Type中选择其他类型。
MPC主动悬架模型：从理论到实践的探索
通过上述讨论可以看出，MPC 控制器在主动悬架系统中的应用具有显著的优势。无论是 2自由度还是 4自由度的模型，MPC 都能够通过滚动优化的方式，实现对车身加速度、动挠度和俯仰角速度的精确控制。随着计算能力的提升，MPC 算法在汽车悬架系统中的应用前景更加广阔。基于深度学习的方法，进一步提高路面预知和控制精度。多约束优化方法，以平衡控制性能和能耗。实时 MPC 算法，降低计算复杂度以适应更高采样的需求。总之，MPC 算法在主动悬架系统中的应用，为汽车工程领域带来了新的研究思路和设计方案。
Unity工业数据可视化：基于ModbusTCP的实时数据通信实战
本文详细介绍了在Unity中实现工业数据可视化的核心方法，重点讲解了基于ModbusTCP协议与PLC等工业设备进行实时数据通信的实战流程。内容涵盖NModbus库的集成、Modbus Slave模拟器的使用、TCP连接的建立与多线程安全通信、数据读写与解析，以及如何将实时数据驱动3D场景，为构建工业数字孪生与监控系统提供完整解决方案。
CDC控制仿真--综合实验，模型+代码
从0开始加速--匀速40Km/h--减速至0；：在道路65m~70m之间，有一个转向变道再回来的避障动作。C级路面，300m处，设置高30mm的减速带。
通讯模块_三菱IQ-R PLC串口通讯模块RJ71C24进行Modbus-RTU通讯
在日常的选型中，很多电气工程师咨询我，三菱iQ-R系列有没有Modbus通讯模块，我在这里可以肯定的回复您，这个肯定是有的；我们共有三种可以选择分别是RJ71C24、RJ71C24-R2、RJ71C24-R4。RJ71C24系列支持MC协议通信、通信协议通信、无顺序协议通信、双向协议通信全、MODBUS通信。当我帮助他们选型之后，他们在使用的时候，又是一头雾水。那么今天我抽一些时间讲解一RJ71...
2026年03月CCF-GESP编程能力等级认证C++编程一级真题解析
本文收录于专栏《。订阅后可阅读专栏内所有文章。
智能驾驶道路异常识别：井盖、减速带与坑洞检测技术解析
计算机视觉在智能驾驶领域发挥着关键作用，特别是道路异常物体识别技术。通过深度学习算法和双目视觉测距原理，系统能实时检测井盖、减速带和道路坑洞等路面特征。YOLOv5改进模型结合注意力机制，显著提升小目标识别精度，而优化的立体匹配算法确保测距误差控制在2%以内。这类技术在车辆舒适性控制、路径规划等场景具有重要应用价值，实测可使紧急制动减少42%。数据集构建涉及专业标注体系和多光照条件应对策略，为行业提供可靠的训练基础。
使用verilog实现基于FPGA的TDC设计
verilog实现TDC 高精度时间数字转换器概述(TDC) 简介： TDC被用于测量时间间隔，应用在物理研究、飞行时间测量领域等。 本设计使用verilog实现并在xilinx和altera的FPGA上均可实现！ 设计中使用到下述几个模块，包括FIFO，COUNT等，在xilinx下也使用到了一些原语等。下面有实现的代码和仿真截图等。 顶层模块设计如下： module top( input wire start, input wire stop, input wire clk, output wire T
智能驾驶红绿灯斑马线减速带目标检测：一套YOLO数据集实践指南
目标检测是计算机视觉中最基础也最关键的工程任务之一，尤其在智能驾驶场景下，感知系统的可靠性直接决定行驶决策的安全性。道路中的红绿灯、斑马线、减速带这三类目标承载着明确的通行规则语义，它们不同于普通物体检测：红绿灯属于典型小目标且依赖颜色状态识别，斑马线是重复纹理大目标、框标注难度高，减速带视觉特征弱、易与路面混淆。工程实践中常选择YOLO统一训练，并配套精细的数据标注与训练策略。本文从数据集构成、标注细节、训练参数和常见排查思路出发，系统梳理一套兼顾小目标与纹理识别的目标检测方案，涵盖辅助驾驶预警、无人车感
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
199
扫一扫
