运动学MPC和动态增益调度状态反馈，用于控制自动驾驶汽车 该项目使您可以使用高级控制理论来解决自主制导问题。 该项目的创新部分是使用运动车辆模型的Takagi-Sugeno（TS）表示。 这使我们能够将非线性优化问题解决为伪线性问题，从而在每次优化时都实现了非常低的耗时。 先决条件 要运行该项目，您需要安装Matlab 2017b或更高版本以及YALMIP。 此外，有必要安装gurobi求解器以执行线性优化。 正在安装 要安装软件包，请参考以下链接： 描述 车辆型号 已经使用了两种不同的模型。 一个用于运动控制，另一个用于动态控制。 运动学模型称为车辆质量点模型。 动态模型为单轨自行车模型和轮胎模型的动力学模型。 轨迹规划 我们使用基于多项式的算法以离线方式计算参考。 该阶段在每个时刻提供对控制器的所需参考。 运动MPC 此时，将在每次控制迭代中构建并求解模型预测控制器，以找到最佳控制动

该块包含一个 LQR 控制器。 块的输入是状态空间 A、B 矩阵，以及 LQR 的 Q 和 R 矩阵。

二级倒立摆LQR控制，Multibody建立二级倒立摆模型，根据力学方程在Matlab实现线性化，建立状态空间方程，根据LQR计算反馈矩阵，在Simulink中连接模块实现控制和可视化。

13.5 更换设备 请制作一份应用功能所需参数的清单。 更换设备时请注意以下操作程序 : 保存所有参数设置使用电脑上的调试软件储存数据 ( 参阅 6.4 “调试软件”一章 )。 关闭所有电源电压。确定不再有电压存在 ( 安全提示 )。 标记好所有连接，然后拆下产品。 记录产品铭牌上的铭牌和系列号，以备将来识别之用。 按照 5 “安装”一章中的说明，安装新产品。 如果需要安装的产品已经在别处运行，则必须在调试前重新恢复工厂设置。 参阅 6 “调试”一章进行调试。 意外动作 传动系统的响应特性由所保存的大量数据或者设置所决定。不合适的设置或数据 可以引起意外动作或信号以及使监测功能禁用。 切勿通过不明设置或数据操作驱动系统。 请检查所保存的数据或者设置。 请在调试时，仔细测试全部运行状态和错误情况。 更换产品以及改变设置或者数据之后，请检查相关功能。 只能在没有人员或物料处于运动设备部件的危险区域内且可以安全启动设 备时，方可将设备起动。 若不遵守该规定，可能会导致死亡、严重伤害或财产损失。 警告

东南大学自动化学院，现代控制系统设计，课程作业，m文件+报告。 含最优控制原理推导，对比不同性能指标的效果，并进行了鲁棒性分析。 可以提供讲解，需要其他相关资源的欢迎私戳联系！可以接代做、答疑。

意图控制matlab仿真代码LQR-积分-Q-学习 该存储库提供了用于重现出版物中提供的模拟结果（图 1（a）、（d））的开源代码： “Lee、JY、Park、JB 和 Choi，YH，用于连续时间线性系统自适应最优控制的积分 Q 学习和探索性策略迭代，Automatica 11(48)，2850--2859，2012。” 为了重现论文中的结果，请运行如下代码（在MATLAB R2012a（32位）版中测试）。 将 MATLAB 工作目录设置为您机器中克隆的本地存储库路径； 使用以下命令清除环境： close all clear all clc 跑步： main.m 如有必要，请更改“main.m”中的超参数。 对于错误报告或任何问题，请发送电子邮件至。

做电赛培训的时候做的一个倒立摆系统，实测可用，起摆迅速，倒立稳定

针对线性二次型调节器在倒立摆最优控制设计过程中对加权矩阵选择的盲目性,采用粒子群算法,引入惯性权重优化加权矩阵,获得状态反馈控制率,设计最优控制器。以直线二级倒立摆控制系统为研究对象,对比分析传统线性二次型调节器算法与基于粒子群优化线性二次型调节器算法的稳摆控制和抗干扰能力。结果表明:优化后的最优控制器能使系统的响应时间更快、超调量更小;直线二级倒立摆控制系统在4 s内达到稳定状态,在实时控制中表现出了较强的抗干扰能力。该算法对直线二级倒立摆的控制效果更理想。

PID和LQR两轮平衡车公式推导，英文版，包含一部分中文注释， 有针对PID和LQR部分的建模和公式计算过程

在MATLAB上采用2节点4自由度单元，建立悬臂梁结构的有限元模型，并实现LQR控制