无人机编队这事儿挺有意思的，特别是经典的flocking算法。今天咱们用Matlab复现这个鸟群行为，重点说说代码实现里那些有意思的细节。完整代码跑起来后，你会看到无人机们从混乱到有序的演变过程，像极了早高峰地铁口的人群突然听到领导要来视察。这种涌现现象的魅力，正是集群智能让人着迷的地方——简单规则叠加竟能产生如此复杂的群体智慧。调参是个玄学过程，建议把三个规则的权重系数设成全局变量方便调整。建议

咱这次搞的 Matlab 四旋翼无人机 ADRC 姿态控制器仿真，把姿态模型和 ADRC 控制器结合得死死的，实现了对无人机姿态的有效控制。而且这个仿真代码简洁易懂，要是你对控制器有别的想法，完全可以自行替换其他控制器，开启属于你自己的无人机控制探索之旅。参考文献：[列出你所参考的文献]，这些文献里有更深入的理论知识和研究成果，感兴趣的小伙伴可以去深挖。希望这篇博文能给研究无人机姿态控制的朋友们带

第一次跑的时候自车直接追尾——原因是Prescan的坐标系和Simulink的转向角符号相反（Prescan用右手系，Simulink默认左手）。最近在工作室折腾ACC（自适应巡航）的联合仿真，发现用Prescan做场景模拟确实能省不少实车测试成本。今天咱们直接上干货，聊聊怎么在Prescan里搭个ACC仿真环境，再配合Simulink整点控制逻辑。Prescan负责生成传感器数据（雷达/摄像头）

初始化阶段，我们生成一个初始解，这个解可以是一个简单的贪心解，或者随机生成的解。接下来，在破坏阶段，我们随机移除一部分解中的元素，比如在配送问题中，我们可以随机移除一些配送点。然后，在修复阶段，我们通过某种策略重新插入这些被移除的元素，生成一个新的解。在无人机与车辆混合配送问题中，破坏策略可以设计为随机移除一些配送点，或者移除某些特定的配送点（比如距离较远的点）。比如，在无人机与车辆混合配送问题中

深夜调参的时候突然想到，现在多智能体系统领域有个挺有意思的问题：一群能力各异的机器人要组队搬砖（字面意义上的搬砖或者抽象的任务），有的机器人是轮式底盘，有的带机械臂，还有的能飞。它们要自动排成三角形队列穿过工地，还得边移动边计算最优路径——这不就是典型的异构混合阶多智能体系统编队控制+分布式优化场景吗？上次有个团队在实物测试时，发现机械振动居然会影响分布式优化的收敛速度——原来IMU噪声让局部梯度

自动驾驶控制-基于运动学模型的LQR算法路径跟踪仿真matlab和simulink联合仿真，运动学模型实现的lqr横向控制，可以跟踪双移线，五次多项式，以及其他各种自定义路径。效果如图，几乎0误差，双移线路径误差在0.05m以内。最近玩了玩自动驾驶控制里基于运动学模型的LQR算法路径跟踪仿真，感觉超有意思😎。先说说这个仿真用到了Matlab和Simulink联合仿真。在运动学模型实现的LQR横向

自动驾驶与手动驾驶混合流仿真matlab连续型元胞自动机交通流源代码随机慢化，密度流量图，时空图，密度速度图车头时距图等。

玩过电机控制的都知道，转动惯量辨识是个头疼的活儿。今天咱们搞点有意思的——用扩展卡尔曼滤波（EKF）在线辨识永磁同步电机的转动惯量，直接在Simulink里撸S函数实现。实测时发现个有趣现象：突加负载时J的估计值会有个跳变，之后快速收敛。实测某750W永磁电机，转动惯量估计误差稳定在±3%以内，满足多数工业场景需求。B是已知的摩擦系数，Te是电磁转矩，Tl作为已知干扰输入。扩展卡尔曼滤波（ekf）

EKF通过对非线性系统进行一阶泰勒展开来近似处理，将非线性问题转化为线性问题，以便应用卡尔曼滤波框架。在GMPHD中，概率假设密度（PHD）通过高斯混合模型（GMM）来表示，使得目标状态估计更加灵活。结合EKF与GMPHD，能够在非线性多目标场景下有效跟踪目标。

不过系统多了九个双向开关，状态观测就变得特别关键。最近在搞工业电机控制的仿真项目，接触到了个挺有意思的方案——基于DTC-SVM和卡尔曼滤波的矩阵变换器驱动系统。这时候需要给电压模型加权，我在Simulink里用了个一阶惯性环节做电流模型和电压模型的融合，混合系数设为转速的函数——低于5%额定转速时主要用电流模型。基于DTC-SVM卡尔曼滤波的矩阵变换器，感应电机扭矩，速度控制，simulink仿