先看系统架构（打开Simulink新建空白模型），整个模型由三块积木组成：毫米波雷达传感器模块、MPC控制器黑盒子、还有带着刹车油门踏板的车辆动力学模型。重点在于过渡阶段的控制权交接——当目标车辆突然变道时，系统要在0.3秒内从间距控制切回速度控制，这时候油门开度变化率要限制在20%/s以内，否则后排乘客的手机会飞出去。别被"模型预测控制"这种专业名词吓到，说白了就是让车在"撒欢跑"和"保持安全距

在轨迹生成环节，我们首先得解决如何用代码描述车辆可能的运动路径。建议把采样间隔控制在0.3秒以内，不然规划出的轨迹会有明显顿挫感。实测在i5处理器上，C++版本能跑到120fps，Matlab加上加速代码也能到60fps左右。可视化方面，Qt的QCustomPlot比Matlab的动画函数更适合实时显示。轨迹评估环节的核心是代价函数设计。包含matlab代码实现和cpp代码实现，方便对照学习。包含

今天咱们手把手在S32K144上撸个AUTOSAR OS最小系统，用GCC编译器，代码直接怼到开发板上看效果。基于s32ds搭建的autosar os最小系统，编译器采用gcc或者iar（选一），实现os跑起来、亮灯。基于s32ds搭建的autosar os最小系统，编译器采用gcc或者iar（选一），实现os跑起来、亮灯。重点说下OsSleep——这货底层用的是SysTick，但AUTOSAR做

Matlab肺结节分割(肺结节提取)源程序，也有GUI人机界面版本。使用传统图像分割方法，非深度学习方法。使用LIDC-IDRI数据集。工作如下：1、读取图像。读取原始dicom格式的CT图像，并显示，绘制灰度直方图；2、图像增强。对图像进行图像增强，包括Gamma矫正、直方图均衡化、中值滤波、边缘锐化；3、肺质分割。基于阈值分割，从原CT图像中分割出肺质；4、肺结节分割。肺质分割后，进行特征提取

基于NMPC与PPO强化学习无人船/无人艇的目标跟踪控制 python源文件 gym环境 文献+程序两种控制方法对比 非线性模型预测控制在无人船/无人艇的目标跟踪控制领域，非线性模型预测控制（NMPC）与近端策略优化（PPO）强化学习这两种方法备受关注。今天咱们就深入探讨一下这两种控制方法，并结合 Python 源文件和 Gym 环境，通过代码来感受它们的魅力。

总之，基于EKF扩展卡尔曼滤波的PMSM无传感器控制有着广阔的应用前景，虽然在初始阶段有些小波折，但只要调好参数，就能让电机稳定高效地运行。由仿真结果可以看到初始阶段和上升阶段转速的误差较大，但随着转速的上升及稳定，误差逐渐减少，可以说明选择合适的协方差矩阵，基于EKF的无传感器技术能满足实现电机控制性能的要求。由仿真结果可以看到初始阶段和上升阶段转速的误差较大，但随着转速的上升及稳定，误差逐渐减

Matlab肺结节分割(肺结节提取)源程序，也有GUI人机界面版本。使用传统图像分割方法，非深度学习方法。使用LIDC-IDRI数据集。工作如下：1、读取图像。读取原始dicom格式的CT图像，并显示，绘制灰度直方图；2、图像增强。对图像进行图像增强，包括Gamma矫正、直方图均衡化、中值滤波、边缘锐化；3、肺质分割。基于阈值分割，从原CT图像中分割出肺质；4、肺结节分割。肺质分割后，进行特征提取

玩过的人都知道，这招最大的好处就是不需要转子位置传感器，启动时先给个固定频率的电流，等电机转起来再切换观测器。最近在搞永磁同步电机控制的朋友应该都听说过IF启动这招，特别是在无传感器场景下，这玩意儿简直像开了物理外挂。今天咱们就扒一扒这个IF控制在Simulink里怎么玩，手把手教你搭模型，顺便聊聊那些参数调起来要命的坑。启动阶段的斜坡函数生成器是灵魂所在，这个模块的斜率决定你的电机是优雅起跑还是

最近在搞光伏功率预测的老铁看过来！采用 Transformer 编码器对光伏、负荷数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘，可以提高光伏功率、负荷预测的准确性。采用 Transformer 编码器对光伏、负荷数据特征间的复杂关系以及时间序列中的长短期依赖关系进行挖掘，可以提高光伏功率、负荷预测的准确性。CEEMDAN分解，计算样本熵，根据样本熵进行kmeans聚类，调用VMD对高

最近在折腾UR5协作机器人抓取仿真，发现用V-REP（现在叫CoppeliaSim）搭场景，配合MATLAB做算法验证真是效率神器。这俩工具一个擅长物理仿真，一个精于数值计算，合体后能快速验证从轨迹规划到抓取控制的全流程。曾经在动力学仿真时发现关节抖动，把MATLAB控制频率从50Hz提到100Hz，同时在CoppeliaSim里把物理引擎从Bullet换成ODE，电机P增益从0.8调到1.2，瞬