控制

基于 DQN 与 Python-Simulink 联合仿真的 HEV 能量管理策略实战MDP 是强化学习（Reinforcement Learning）的数学框架。在自动驾驶或车辆仿真中，它将环境交互抽象为四个核心要素：四元组 (S,A,P,R)(S, A, P, R)(S,A,P,R)。

HEV 智能能量管理实战：从 MPC/PPO 理论解析到 Python-Simulink 联合仿真闭环全流程模型预测控制（Model Predictive Control）的核心并不只是“预测”，而是“预测+滚动+反馈”的结合。滚动时域（Receding Horizon）是 MPC 能够应对系统干扰和模型误差的灵魂机制。

车辆能量管理进阶：从前沿算法 (VMD-PPO-DBO) 机制解析到 MPC 工程建模MPC 是一类先进的控制算法，广泛应用于具有复杂约束、多输入多输出的动态系统中。以下为你详细拆解 MPC 的核心知识体系：

车辆控制基础：从 EKF 状态估计到非线性 MPC 轨迹跟踪的闭环实现标准的卡尔曼滤波 (KF) 是完美的，但它有一个致命前提：系统必须是线性的（即状态转移和观测都能用矩阵乘法 y=Ax+By = Ax + By=Ax+B 表示）。然而，现实中的物理系统大多是高度非线性的。例如在车辆动力学或混动系统 (HEV) 中：

基于 Luenberger 观测器的 PMSM 无速度传感器 id=0 矢量控制系统 Simulink 建模与实现（一）在现代控制理论中，状态反馈控制（如极点配置、LQR）要求系统所有状态变量都可测。但现实中，很多状态（如电机内部磁链、速度、负载扰动等）无法直接测量。此时就需要状态观测器来重构这些不可测状态。

基于最优控制理论的 HEV 能量管理：从物理建模到 VMD-PPO 强化学习环境构建最优控制的核心任务是：寻找一个控制律 u(t)u(t)u(t)，在满足系统物理约束的情况下，使得某个性能指标 JJJ 最小。

Techblog of HaoWANG

目标检测与跟踪（16）-- Ubuntu 20.04 下 ROS1 + Conda 虚拟环境开机自启动方案（兼容 ROS2 共存）引言：🔥 在同时安装了 ROS1 Noetic 和 ROS2 Foxy 的 Ubuntu 20.04 系统上，开发基于 ROS1 的视觉节点时，常面临两大痛点： ① 每次手动激活 Conda 虚拟环境 + 加载 ROS1 环境 ② 节点需要开机自启动，且必须保证 ROS1 环境不被 ROS2 干扰

从零构建飞行汽车混合动力能量管理系统（含电池、增程器与EMS策略）在状态空间法（State-Space Representation）中，系统的动态由以下方程描述：其中：

自控PID+MATLAB仿真+混动P0/P1/P2/P3/P4构型PID基本控制律（连续时域） u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kdde(t)dtu(t) = K_p e(t) + K_i \int_0^t e(\tau)d\tau + K_d \frac{de(t)}{dt}u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kddtde(t)

从阿克曼几何到 QP 求解器输入：自动驾驶横向 MPC 的完整数学链条（1）参考：chatGPT自动驾驶横向控制的目标，说得最朴素一点，就是：让车沿着一条给定的参考轨迹平稳地走。

储能系统SOC管理三要素：高精度OCV标定、校正器设计工具、SOC均衡下垂控制相位裕度（Phase Margin, PM）是衡量控制系统稳定性的核心指标。简单来说，它表示系统在变得不稳定（发生振荡）之前，还能容忍多少额外的相位滞后。

自动控制原理｜稳定性与劳斯判据知识点+计算题+MATLAB实现全套笔记G(s)=ωn2s2+2ζωns+ωn2G(s)=\frac{\omega_n^2}{s^2+2\zeta\omega_n s+\omega_n^2}G(s)=s2+2ζωns+ωn2ωn2

Techblog of HaoWANG

目标检测与跟踪（12）-- Jetson Xavier NX / Orin NX ROS及视觉检测环境配置、移植、部署指南在边缘计算与机器人开发中，NVIDIA Jetson系列（如Xavier NX和Orin NX）凭借其强大的算力与低功耗优势，成为了ROS机器人、视觉检测等项目的首选平台。然而，每次更换新设备时，重复配置环境（ROS、PyTorch、YOLO等）既耗时又容易出错。

【MATLAB例程】多无人机协同巡逻仿真：基于长机-僚机模型的编队保持与串级PID控制基于 MATLAB 开发的多无人机（UAV）协同编队巡逻仿真系统。它采用了经典的长机-僚机（Leader-Follower）控制架构，深度融合了六自由度（6-DOF）非线性动力学模型与双闭环串级 PID 控制算法。通过集中式路径规划与分布式误差反馈机制，系统实现了多机在复杂巡逻航点下的菱形编队精准保持。 MATLAB打开后即可直接运行，包运行成功。原创代码，仅供学习和研究，请勿翻卖

基于PID控制的无人机巡航仿真（Matlab代码实现）——四旋翼无人机三轴位置 + 偏航角的串级PID控制仿真四旋翼无人机三轴位置 + 偏航角的串级PID控制仿真三维轨迹图：位置跟踪曲线：姿态曲线：其他结果：命令行截图：

【ROS】机器人的速度/角度/力矩控制是如何实现的作者写在前面的话，我是希望通过寥寥几篇博客可以把一个复杂的代码核心问题讲清楚的，比如ROS 1/2对外骨骼机器人的控制这件事。之前的【FileZilla】系列博客通过五六篇把如何实现文件传输的核心功能给讲明白了，这篇一点点字多多的代码截图读者能看到机器人的电机是如何被控制的，甚至会发现并没有书中提到的复杂的控制技术，而仅仅是一个工具包里的PID算法。

控制理论前置知识——相平面数学基础2(示例部分)这个文章是控制理论前置知识——相平面数学基础1的示例版本理论部分请查看控制理论前置知识——相平面数学基础1(理论部分)

机器人动力学库Pinocchio、RBDL 和 KDL区别针对 Pinocchio、RBDL 和 KDL 三个主流开源机器人动力学/运动学库的详细对比分析。这三者定位相似，但在设计哲学、性能和应用场景上有显著区别。

[机械臂动力学] 牛顿-欧拉递推动力学方程——力和力矩的内推法借鉴Craig 的《机器人学导论》第六章（动力学）牛顿-欧拉（Newton-Euler）内推法本文主要是为了梳理一下那个又长角标又多的内推公式到底在做什么

CW方程的向量形式与解析形式Clohessy-Wiltshire方程之所以成为轨道相对运动的经典模型，一个重要原因是它同时具备向量形式的简洁优雅和解析形式的明确解。向量形式揭示了相对运动的本质结构，而解析形式提供了直接可用的解决方案。本文将深入探讨这两种表述形式，展示它们的内在联系和工程价值。