【车辆定位】UWB TDOA和AOA测量车辆定位【含Matlab源码 16035期】-平芜编程栈

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab领域博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；
🏫个人主页：Matlab领域
🏆代码获取方式：
CSDN Matlab领域—代码获取方式

🚅座右铭：路漫漫其修远兮，吾将上下而求索。
更多Matlab信号处理仿真内容点击👇
①Matlab信号处理（高阶版）
②付费专栏Matlab信号处理（进阶版）
③付费专栏Matlab信号处理（初级版）

⛳️关注CSDN Matlab领域，更多资源等你来！！

⛄一、UWB TDOA和AOA测量车辆定位

该 MATLAB 主脚本是隧道环境下车辆定位仿真与实测数据分析程序，基于TDOA 到达时间差、AOA 到达角测量，使用扩展卡尔曼滤波 EKF实现车辆位置估计。

数据集包含三种隧道实验：70km/h 匀速、100km/h 匀速、Slalom 蛇形变道；支持单独使用 TDOA、单独 AOA、TDOA+AOA 融合三种测量模式；还做对比实验：不同测量源对比、不同初始协方差对 EKF 定位性能的影响；输出测量曲线、轨迹图、定位误差、动态动画。

外部依赖函数（脚本本身不含）：

plotTDOA.m、plotAOA.m、plotTrajectories.m、algorithmEKF.m、plotCovariance.m

clear all; close all; clc;
% Set default font sizes
set ( 0 , ‘DefaultTextFontSize’ , 18 );
set ( 0 , ‘DefaultLineLineWidth’ , 2 );
set ( 0 , ‘DefaultTextInterpreter’ , ‘latex’ );
set ( 0 , ‘DefaultAxesFontSize’ , 16 );

清空工作区、关闭所有图窗、清空命令窗口。
设置全局绘图默认参数：字体大小、线条宽度，开启 LaTeX 解释器，图片输出报告友好。

parameters.xmin = 0; parameters.xmax = 160;
parameters.ymin = -5; parameters.ymax = 5;
parameters.numberOfAP = 10;
parameters.sigmaTDOA = 0.5; % Sigma TDOA in [m]
parameters.sigmaAOA = deg2rad ( 3 ); % Sigma AOA in [rad]
parameters.sigmaDriving = 0.01;
parameters结构体保存全部仿真 / 实验配置：

坐标系 XY 轴范围；
AP 基站数量：10 个接入点；
TDOA 测量噪声标准差 0.5m；
AOA 角度测量噪声标准差 3°，转为弧度；
运动模型过程噪声系数sigmaDriving。

模块 1：数据加载、解析与测量可视化

%% 1. LOADING, ANALYSIS, AND VISUALIZATION OF THE DATA
% Select the data: Uncomment the data to be loaded and comment the rest
data = “tunnel_experiment_70kmh.mat”;
%data = “tunnel_experiment_100kmh.mat”;
%data = “tunnel_experiment_slalom.mat”;
load(data);
三选一加载隧道实测数据集：

tunnel_experiment_70kmh.mat：70km/h 直行
tunnel_experiment_100kmh.mat：100km/h 直行
tunnel_experiment_slalom.mat：蛇形变道运动

.mat内部变量：

ground_truth：真值轨迹；
meas_tdoa：TDOA 测量；
meas_aoa：本地 AOA 角度；
AP：基站坐标；
APyaw/APpitch：每个基站自身偏航、俯仰角。

% 1.1 COMPUTE GENERAL USEFUL PARAMETERS
global_time = ground_truth ( 4 , : ) - ground_truth ( 4 , 1 );
parameters.samplingTime = [ diff( global_time ) ];
parameters.numberOfSamples = size ( ground_truth , 2 );
parameters.reference = meas_tdoa ( 10 , : );

global_time：相对时间，以第一个采样时刻为时间零点；
diff(global_time)计算每帧采样间隔存入参数；
numberOfSamples总采样点数；
reference：TDOA 参考基站（第 10 号 AP），TDOA 是相对参考基站的时间差测量。

%1.2 绘制TDOA测量
figure(1);
plotTDOA ( parameters , global_time , meas_tdoa )
sgtitle ( ‘TDOA Measurements’ , ‘FontSize’ , 18 );

%1.3 本地AOA（基站自身坐标系下的到达角）
figure(2);
plotAOA ( parameters , global_time , meas_aoa )
sgtitle ( ‘AOA Local Measurements’ , ‘FontSize’ , 18 );

%1.4 转换全局坐标系AOA
yaw_matrix = repmat ( APyaw’ , 1 , size ( meas_aoa , 2 ) );
pitch_matrix = repmat ( APpitch’ , 1 , size ( meas_aoa , 2 ) );
correction_matrix = vertcat ( yaw_matrix , pitch_matrix );
global_meas_aoa = meas_aoa + correction_matrix;

figure(3);
plotAOA ( parameters , global_time , global_meas_aoa )
sgtitle ( ‘AOA Global Measurements’ , ‘FontSize’ , 18 );
global_meas_aoa = deg2rad ( global_meas_aoa );

本地 AOA：每个基站自身机头坐标系测量得到角度；

全局 AOA：叠加每个基站的安装偏航、俯仰补偿，转换到隧道全局世界坐标系；

把角度从角度制转为弧度，供 EKF 滤波使用。

模块 2：扩展卡尔曼滤波 EKF 单组实验定位

%% 2. LOCALIZATION OF THE VEHICLE: EXTENDED KALMAN FILTER (EKF)
%TYPE = ‘TDOA’;
%TYPE = ‘AOA’;
TYPE = ‘TDOA + AOA’;
选择测量源模式：单独 TDOA / 单独 AOA / TDOA+AOA 融合。

switch data
case ‘tunnel_experiment_slalom.mat’
switch TYPE
case ‘TDOA’
MODEL = ‘NCP’;
case ‘AOA’
MODEL = ‘NCV’;
case ‘TDOA + AOA’
MODEL = ‘NCV’;
end
otherwise
MODEL = ‘NCV’;
end
运动模型自动选择：

NCV 近恒速模型 Near‑Constant‑Velocity：状态[x,y,vx,vy]，位置 + 速度；适合匀速直行。
NCP 近恒位置 Near‑Constant‑Position：状态[x,y]，只有位置；蛇形场景 TDOA 模式下选用。

%% 2.1 INITIALIZE VECTORS/MATRICES
switch MODEL
case ‘NCP’
UE_init = [ 150 , 0 ];
UE_init_COV = diag ( [ 10^2 , 10^2 ] );
case ‘NCV’
switch data
case ‘tunnel_experiment_70kmh.mat’
UE_init = [ 0 , 0 , 0 , 0 ];
case ‘tunnel_experiment_100kmh.mat’
UE_init = [ 170 , 0 , 0 , 0 ];
case ‘tunnel_experiment_slalom.mat’
UE_init = [ 150 , 0 , 0 , 0 ];
end
UE_init_COV = diag ( [ 10^2 , 10^2 , 300^2 , 300^2 ] );
end
x = UE_init’;
P = UE_init_COV;
EKF 初始化：

x：初始状态向量；

P：初始协方差矩阵，代表对初始状态的不确定度；位置初始不确定性 10m，速度初始不确定性很大 300²。

[x_hat, P_hat] = algorithmEKF ( parameters , x , P , TYPE , MODEL , meas_tdoa , global_meas_aoa , AP );

调用核心 EKF 函数，输出：

x_hat：每一时刻滤波估计状态；

P_hat：每一时刻协方差矩阵（不确定性）。

figure(4);
plotTrajectories( parameters , AP(1:2,:) , ground_truth(1:2,:) , x_hat(1:2,:) , TYPE );

绘制估计轨迹与真值轨迹对比图，同时画出基站 AP 位置。

err_ekf = sqrt ( sum ( ( ground_truth(1:2,:) - x_hat(1:2,:) ).^2, 1 ) );
mse_ekf = round ( ( 1 / parameters.numberOfSamples ) * ( sum ( err_ekf.^2 ) ) , 2 );
figure(5);
plot (1 : parameters.numberOfSamples, err_ekf , ‘b-’ , ‘MarkerSize’ , 10 );
grid on
legend( ['MSE = ', num2str(mse_ekf)], ‘location’ , ‘northeast’ );
title(['EKF Error - ', TYPE] , ‘Fontsize’ , 18 , ‘Margin’ , 10 );
xlabel( ‘Sample’ ); ylabel( ‘Error [m]’ );

计算定位误差：欧式距离误差，MSE 均方误差；绘制误差随采样点变化曲线。

%% 2.6 PLOT OF THE X AND Y POSITION AND VELOCITIES AS FUNCTION OF TIME
figure(6);
switch MODEL
case ‘NCV’
subplot(3, 1, 1);
plot(global_time, x_hat(1, 😃);
xlabel( ‘Time [s]’ );ylabel( ‘X Pos. [m]’ );title(‘Estimated X Position’);grid on;
subplot(3, 1, 2);
plot(global_time, x_hat(2, 😃);
xlabel(‘Time [s]’);ylabel(‘Y Pos. [m]’);title(‘Estimated Y Position’);grid on;
subplot(3, 1, 3);
plot(global_time, 3.6*sqrt(x_hat(3, 😃.^2 + x_hat(4, 😃.^2));
xlabel(‘Time [s]’);ylabel(‘Speed [Km/h]’);title(‘Estimated Speed’);grid on;
case ‘NCP’
subplot(2, 1, 1);
plot(global_time, x_hat(1, 😃);
xlabel( ‘Time [s]’ );ylabel( ‘X Pos. [m]’ );title(‘Estimated X Position’);grid on;
subplot(2, 1, 2);
plot(global_time, x_hat(2, 😃);
xlabel(‘Time [s]’);ylabel(‘Y Pos. [m]’);title(‘Estimated Y Position’);grid on;
end
NCV 模型绘制 X 位置、Y 位置、估计车速（m/s 转 km/h）；NCP 模型只有 XY 位置。

%% 2.7 DYNAMIC PLOT OF THE TRAJECTORIES
for time = 1 : parameters.numberOfSamples
figure(7);
plot( AP(1,:) , AP(2,:) , ‘^’ , ‘MarkerSize’, 10 , ‘MarkerEdgeColor’ , [ 0.64 , 0.08 , 0.18 ] , ‘MarkerFaceColor’ , [ 0.64 , 0.08 , 0.18 ] )
hold on;
plot( ground_truth(1,:) , ground_truth(2,:) , ‘o’,‘MarkerSize’,10,‘MarkerEdgeColor’,[0.30,0.75,0.93],‘MarkerFaceColor’,[0.30,0.75,0.93] );
plot( ground_truth(1,time) , ground_truth(2,time) , ‘o’,‘MarkerSize’,10,‘MarkerEdgeColor’,[0.30,0.75,0.93],‘MarkerFaceColor’,[0.50,0,0] );
plot( x_hat(1,1:time) , x_hat(2,1:time) , ‘r-’ , ‘MarkerSize’ , 10 );
plotCovariance( P_hat(1:2,1:2,time) , x_hat(1,time) , x_hat(2,time) , 3 , ‘Update’);
xlim( [-15 185] ) , ylim( [-20 20] )
title ( ['Trajectories - ', TYPE, ’ - Time: ‘, num2str(global_time(time)), ’ s’] , ‘FontSize’ , 18 , ‘Margin’ , 10 );
xlabel( ‘X [m]’ ); ylabel( ‘Y [m]’ );
legend( ‘AP’ , ‘True Trajectory’ , ‘True Current Position’, ‘EKF Estimation’, ‘location’ , ‘northwest’ );
grid on;
pause(0.05)
hold off;
end
动态动画仿真：逐帧播放定位过程；

画出基站、全部真值轨迹、当前时刻真值点、EKF 估计轨迹；

plotCovariance绘制3‑σ 置信椭圆，可视化滤波的位置不确定度；

pause(0.05)控制动画播放速度。

模块 3：算法调参对比实验

3.1 三种测量模式对比实验（TDOA / AOA / TDOA+AOA）

%% 3.1 TEST DIFFERENT TYPES OF MEASUREMENTS (NOT SLALOM)
TYPES = [“TDOA”, “AOA”, “TDOA + AOA”];
err_ekf_TYPES = NaN ( length ( TYPES ) , parameters.numberOfSamples );
mse_ekf_TYPES = NaN ( length ( TYPES ) , 1 );

循环跑 3 种测量模式，存储每种模式：估计轨迹、协方差、逐点定位误差、MSE。

循环运行 EKF，把三组结果存入三维数组。

% 3.1.1 PLOT THE ERRORS FOR EVERY TYPE
figure(8);
hold on;
for i = 1 : length(TYPES)
plot (1 : parameters.numberOfSamples, err_ekf_TYPES ( i , : ) , ‘MarkerSize’ , 10 );
end
legend( ['Error TDOA | MSE = ', num2str(mse_ekf_TYPES(1,1))], …
['Error AOA | MSE = ', num2str(mse_ekf_TYPES(2,1))], …
['Error TDOA + AOA | MSE = ', num2str(mse_ekf_TYPES(3,1))], …
‘location’ , ‘northeast’ );
图 8：把三种模式的定位误差曲线画在一张图，对比性能，图例附带各自 MSE。

3.2 初始协方差的敏感性测试

EKF 对初始协方差 P 敏感，本小节固定使用 TDOA 测量，多组不同初始协方差矩阵做对比，观察初始不确定度对收敛、MSE 的影响。

⛄二、部分源代码和运行步骤

1 部分代码
% Clear workspace, close all figures, and clear command window
clear all; close all; clc;

% Set default font sizes
set ( 0 , ‘DefaultTextFontSize’ , 18 );
set ( 0 , ‘DefaultLineLineWidth’ , 2 );
set ( 0 , ‘DefaultTextInterpreter’ , ‘latex’ );
set ( 0 , ‘DefaultAxesFontSize’ , 16 );

% Define the dimensions of the X and Y axes
parameters.xmin = 0; parameters.xmax = 160;
parameters.ymin = -5; parameters.ymax = 5;

% Define the number of APs
parameters.numberOfAP = 10;

% Define the standard deviation for TDOA and AOA
parameters.sigmaTDOA = 0.5; % Sigma TDOA in [m]
parameters.sigmaAOA = deg2rad ( 3 ); % Sigma AOA in [rad]
parameters.sigmaDriving = 0.01;

%% 1. LOADING, ANALYSIS, AND VISUALIZATION OF THE DATA

% Select the data: Uncomment the data to be loaded and comment the rest
data = “tunnel_experiment_70kmh.mat”;
%data = “tunnel_experiment_100kmh.mat”;
%data = “tunnel_experiment_slalom.mat”;

load(data);

% -------------------------------------------------------------------------

% 1.1 COMPUTE GENERAL USEFUL PARAMETERS

% Compute the global time
global_time = ground_truth ( 4 , : ) - ground_truth ( 4 , 1 );

% Get the sampling time vector
parameters.samplingTime = [ diff( global_time ) ];

% Get the number of samples/measurements for whole trajectory
parameters.numberOfSamples = size ( ground_truth , 2 );

% Get the reference AP for the given time
parameters.reference = meas_tdoa ( 10 , : );

% -------------------------------------------------------------------------

% 1.2 PLOT TIME DIFFERENCES OF ARRIVAL (TDOA)

% Create a figure
figure(1);

% Plot the TDOAs
plotTDOA ( parameters , global_time , meas_tdoa )
sgtitle ( ‘TDOA Measurements’ , ‘FontSize’ , 18 );

% -------------------------------------------------------------------------

% 1.3 PLOT LOCAL ANGLES OF ARRIVAL (AOA)

% Create a figure
figure(2);

% Plot the local AOAs
plotAOA ( parameters , global_time , meas_aoa )
sgtitle ( ‘AOA Local Measurements’ , ‘FontSize’ , 18 );

% -------------------------------------------------------------------------

% 1.4 PLOT GLOBAL ANGLES OF ARRIVAL (AOA)

% Compute the correction matrix
yaw_matrix = repmat ( APyaw’ , 1 , size ( meas_aoa , 2 ) );
pitch_matrix = repmat ( APpitch’ , 1 , size ( meas_aoa , 2 ) );
correction_matrix = vertcat ( yaw_matrix , pitch_matrix );

% Compute the global azimuth and elevation
global_meas_aoa = meas_aoa + correction_matrix;

% Create a figure
figure(3);

% Plot the global AOAs
plotAOA ( parameters , global_time , global_meas_aoa )
sgtitle ( ‘AOA Global Measurements’ , ‘FontSize’ , 18 );

% Convert the AOA measurements to radians
global_meas_aoa = deg2rad ( global_meas_aoa );

2 通用运行步骤
（1）直接运行main.m即可一键出图

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本

2019b

2 参考文献

[1] 刘嘉敏,彭玲,刘军委,袁佳成.遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析[J].机械科学与技术. 2017,36(11)
[2]汪超,吴吉瑞,张键.基于振动理论的齿轮箱故障诊断应用研究[J].煤矿机械 .2015

3 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除

⛄五、仿真咨询与程序定制

1 各类智能优化算法改进及应用

1.1 PID优化

1.2 VMD优化

1.3 配电网重构

1.4 三维装箱

1.5 微电网优化

1.6 优化布局

1.7 优化参数

1.8 优化成本

1.9 优化充电

1.10 优化调度

1.11 优化电价

1.12 优化发车

1.13 优化分配

1.14 优化覆盖

1.15 优化控制

1.16 优化库存

1.17 优化路由

1.18 优化设计

1.19 优化位置

1.20 优化吸波

1.21 优化选址

1.22 优化运行

1.23 优化指派

1.24 优化组合

1.25 车间调度

1.26 生产调度

1.27 经济调度

1.28 装配线调度

1.29 水库调度

1.30 货位优化

1.31 公交排班优化

1.32 集装箱船配载优化

1.33 水泵组合优化

1.34 医疗资源分配优化

1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测

2.1 机器学习和深度学习分类

2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测

2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面

3.1 图像边缘检测

3.2 图像处理

3.3 图像分割

3.4 图像分类

3.5 图像跟踪

3.6 图像加密解密

3.7 图像检索

3.8 图像配准

3.9 图像拼接

3.10 图像评价

3.11 图像去噪

3.12 图像融合

3.13 图像识别

3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复

3.15 图像压缩

3.16 图像隐写

3.17 图像增强

3.18 图像重建

4 路径规划方面

4.1 旅行商问题（TSP）

4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）

4.2 车辆路径问题（VRP）

4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 带时间窗的车辆路径问题（TWVRP）

4.3 多式联运运输问题

4.4 机器人路径规划

4.4.1 避障路径规划
4.4.2 机器人轨迹跟踪
4.4.3 机器人编队
4.4.4 机器人导航
4.4.5 机器人定位
4.4.6 机器人控制
4.4.7 机器人路径规划
4.4.8 机器人任务分配
4.4.9 机器人搜索
4.4.10 机器人运输
4.4.11 迷宫路径规划
4.4.12 水下机器人路径规划
4.4.13 栅格地图路径规划

4.5 配送路径规划

4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划

4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 卡车无人机
4.6.6 目标搜索
4.6.7 三维路径规划
4.6.8 无人机编队
4.6.9 无人机导航
4.6.10 无人机吊运
4.6.11 无人机对抗
4.6.12 无人机覆盖
4.6.13 无人机检测
4.6.14 无人机控制
4.6.15 无人机求援
4.6.16 无人机位姿估计
4.6.17 无人机系统
4.6.18 无人机侦查
4.6.19 无人机联盟
4.6.20 无人机协同任务
4.6.21 异构无人机

4.7 水下飞行器

4.8 无人车路径规划

4.9 无人艇路径规划

4.10 物流选址

4.11 车辆控制

4.12 多智能体路径规划

4.12.1 多智能体编队
4.12.2 多智能体控制
4.12.3 多智能体路径规划
4.12.4 多智能体协同

5 语音处理

5.1 语音情感识别

5.2 声源定位

5.3 特征提取

5.4 语音编码

5.5 语音处理

5.6 语音分离

5.7 语音分析

5.8 语音合成

5.9 语音加密

5.10 语音去噪

5.11 语音识别

5.12 语音压缩

5.13 语音隐藏

6 元胞自动机方面

6.1 元胞自动机病毒仿真

6.2 元胞自动机城市规划

6.3 元胞自动机交通流

6.4 元胞自动机气体

6.5 元胞自动机人员疏散

6.6 元胞自动机森林火灾

6.7 元胞自动机生命游戏

7 信号处理

7.1 机械振动信号处理

7.1.1 故障信号
7.1.1.1 齿轮损伤识别
7.1.1.2 异步电机转子断条故障诊断
7.1.1.3 滚动体内外圈故障诊断分析
7.1.1.4 电机故障诊断分析
7.1.1.5 轴承故障诊断分析
7.1.1.6 齿轮箱故障诊断分析
7.1.1.7 三相逆变器故障诊断分析
7.1.1.8 柴油机故障诊断
7.1.2 管道泄漏
7.1.3 振动信号

7.2 生物医学信号处理

7.2.1 肌电信号EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 心血管
7.2.7 心脏仿真
7.2.8 血压

7.3 声呐探测信号处理

7.3.1 声呐
7.3.2 水声通信

7.4 通信工程信号处理

7.4.1 超声波信号处理
7.4.2 导航定位
7.4.3 航天航空
7.4.4 空间识别
7.4.5 雷达通信
7.4.5.1 FMCW仿真
7.4.5.2 GPS抗干扰
7.4.5.3 雷达LFM
7.4.5.4 雷达MIMO
7.4.5.5 雷达测角
7.4.5.6 雷达成像
7.4.5.7 雷达定位
7.4.5.8 雷达回波
7.4.5.9 雷达检测
7.4.5.10 雷达数字信号处理
7.4.5.11 雷达通信
7.4.5.12 雷达相控阵
7.4.5.13 雷达信号分析
7.4.5.14 雷达预警
7.4.5.15 雷达脉冲压缩
7.4.5.16 天线方向图
7.4.5.17 雷达杂波仿真
7.4.6 模拟信号处理
7.4.7 时差绘制
7.4.8 数字信道处理
7.4.9 数字信号处理
7.4.10 无线通信
7.4.11 姿态解算
**7.4.12 资源分配 **

7.5 自动测量信号处理

**7.5.1 参数估计 **
**7.5.2 电动汽车动力电池管理 **
**7.5.3 高度预估 **

8 物理应用

8.1 物理学分支力学

8.1.1 材料力学
8.1.2 弹性力学
8.1.3 动力学
8.1.4 分析力学
8.1.5 固体力学
8.1.6 结构力学
8.1.7 静力学
8.1.8 空气动力学
8.1.9 流体力学
8.1.10 塑性力学
8.1.11 运动学

8.2 物理学其他分支

8.2.1 表面物理学
8.2.2 超声学
8.2.3 次声学
8.2.4 电磁学
8.2.5 电动力学
8.2.6 电学
8.2.7 高压物理学
8.2.8 金属物理学
8.2.9 光学
8.2.10 核物理学
8.2.11 金属物理学
8.2.12 量子力学
8.2.13 热力学
8.2.14 热学
8.2.15 声学
8.2.16 水声学

8.3 物理应用

8.3.1 地理学
8.3.2 化学化工
8.3.3 生物
8.3.4 其他