✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，可以私信，或者点击《获取方式》
（1）基于二阶贝塞尔曲线的平滑靠泊路径规划与卡尔曼滤波状态观测器：
根据码头泊位环境和船舶运动约束，提出先跟踪靠泊路径至泊位外、后平行靠泊的两段式方案。靠泊路径采用二阶贝塞尔曲线生成，控制点选择泊位外侧正横位置、转向点和泊位内部中点，保证曲率连续平滑。路径曲率半径最小值控制在2倍船长以上以避免急转弯。同时，利用卡尔曼滤波器设计船舶状态观测器，从GPS和惯导数据中滤除一阶波浪力引起的高频振荡。状态向量包含低频位置、速度及高频分量，观测器通过截止频率0.05Hz分离低频运动。海试数据表明，滤波后位置噪声标准差由0.8m降至0.12m，提高了控制精度。
（2）模型预测控制与推力分配二次规划的实现：
船舶三自由度运动模型考虑风浪流环境力，线性化后作为MPC预测模型。MPC采用预测时域40s，控制时域15s，权重矩阵Q和R通过逆向优化设计调定。在每个控制周期求解带约束二次规划，约束包括舵角限幅±35°、推进器推力限幅±80kN，以及安全边界约束。推力分配问题转化为标准二次规划，目标函数兼顾推力误差最小、能耗最小和避免奇异结构。采用有效集法实时求解，经优化后总推力误差<1%。MATLAB仿真验证，在6级风干扰下，MPC控制器船舶轨迹偏离计划航线误差小于0.3m，而串级PID误差为1.2m。推力分配满足全回转推进器角度变化率约束，无推力饱和。
（3）实船试验与毫米波雷达泊位探测系统中的网格密度降噪算法：
依托海豚1试验船在青岛码头进行自主靠离泊试验。开发泊位探测软件，接入毫米波雷达，提出网格密度与RCS双重降噪法：将雷达点云投影到水平面建立0.5m×0.5m网格，统计每个网格内点数作为密度，滤除密度低于5的网格，同时根据RCS阈值滤除弱小目标，保留码头轮廓。再利用直线特征提取算法识别泊位边缘直线。试验过程中，泊位探测系统成功识别5m宽的泊位，探测距离80m。MPC控制器接收到泊位信息后，船舶平稳靠泊，横向接触速度仅为0.08m/s，小于规范要求的0.15m/s。全程无人操控，验证了算法的工程实用性。
import numpy as np from scipy.linalg import block_diag import cvxpy as cp import control # 贝塞尔曲线路径生成 def bezier_curve(p0, p1, p2, num_points=100): t = np.linspace(0,1,num_points) path = np.outer((1-t)**2, p0) + np.outer(2*(1-t)*t, p1) + np.outer(t**2, p2) return path # 卡尔曼滤波器状态观测器 class KalmanObserver: def __init__(self, A, B, C, Q, R): self.A = A; self.B = B; self.C = C; self.Q = Q; self.R = R self.x_est = np.zeros(A.shape[0]); self.P = np.eye(A.shape[0]) def update(self, u, y, dt): A_d = np.eye(len(self.x_est)) + self.A*dt # 预测 self.x_est = A_d@self.x_est + self.B*dt*u self.P = A_d@self.P@A_d.T + self.Q*dt # 更新 K = self.P@self.C.T @ np.linalg.inv(self.C@self.P@self.C.T + self.R) self.x_est += K @ (y - self.C@self.x_est) self.P = (np.eye(len(self.x_est))-K@self.C) @ self.P return self.x_est # MPC控制器 def mpc_ship_control(x0, ref_traj, A, B, Np=40, Nc=15): # 构建QP x = cp.Variable((3, Np+1)) u = cp.Variable((2, Nc)) cost = 0; constraints = [x[:,0] == x0] for k in range(Np): cost += cp.sum_squares(x[:,k]-ref_traj[:,k]) if k < Nc: cost += 0.01*cp.sum_squares(u[:,k]) constraints += [x[:,k+1] == A@x[:,k] + B@u[:,k]] else: constraints += [x[:,k+1] == A@x[:,k]] constraints += [cp.abs(u) <= [80e3, np.deg2rad(35)]] prob = cp.Problem(cp.Minimize(cost), constraints) prob.solve(solver='OSQP') return u[:,0].value # 网格密度降噪 def grid_density_filter(points, grid_size=0.5, min_points=5): min_x, min_y = points.min(axis=0); max_x, max_y = points.max(axis=0) grid = {} for p in points: i = int((p[0]-min_x)//grid_size); j = int((p[1]-min_y)//grid_size) grid[(i,j)] = grid.get((i,j),0)+1 filtered = [p for p in points if grid.get((int((p[0]-min_x)//grid_size), int((p[1]-min_y)//grid_size)),0) >= min_points] return np.array(filtered)
