土壤參數(shù)自動(dòng)標(biāo)定
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2025-12-01
土壤參數(shù)自動(dòng)標(biāo)定的視頻教程
基于Python實(shí)現(xiàn)PB模型的參數(shù)自動(dòng)標(biāo)定——雙軸
附件有代碼，網(wǎng)頁(yè)端打開(kāi)查看
￥59 22分鐘 151播放
查看
基于Python實(shí)現(xiàn)PB模型的參數(shù)自動(dòng)標(biāo)定——二維單軸
附件有課程使用的代碼算例，網(wǎng)頁(yè)端打開(kāi)
￥39 18分鐘 203播放
查看
基于Python實(shí)現(xiàn)PB模型的參數(shù)自動(dòng)標(biāo)定——真三軸
使用Python進(jìn)行參數(shù)標(biāo)定； 先運(yùn)行paraclsss.py，再運(yùn)行shiyan.py，最后運(yùn)行doll.py
￥59 18分鐘 150播放
查看
土壤參數(shù)自動(dòng)標(biāo)定的實(shí)例教程
目標(biāo)函數(shù)的演化曲線如圖所示：
不同迭代次數(shù)下對(duì)應(yīng)的模擬和原始黃永剛程序計(jì)算得到的拉伸曲線對(duì)比如下：
初始：
迭代5次
迭代10次
迭代15次
迭代20次：
可以看到，隨著迭代次數(shù)的增加，模擬曲線逐漸接近于真實(shí)值，盡管目前只嘗試了針對(duì)簡(jiǎn)單的唯象模型的參數(shù)自動(dòng)標(biāo)定，不過(guò)可以預(yù)期的是，該方案在更加復(fù)雜的位錯(cuò)密度模型中將展示更大優(yōu)勢(shì)
在本推文中介紹四類(lèi)常用參數(shù)自動(dòng)標(biāo)定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實(shí)現(xiàn)最簡(jiǎn)單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類(lèi)方案的優(yōu)勢(shì)體現(xiàn)為
EGO使用代理模型（如高斯過(guò)程回歸）來(lái)預(yù)測(cè)目標(biāo)函數(shù)，極大減少了實(shí)際函數(shù)評(píng)估次數(shù)。
EGO在每一步都智能選擇下一個(gè)最值得評(píng)估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動(dòng)態(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時(shí)適合使用ego方法。例如在評(píng)估晶體塑性模型參數(shù)時(shí)
不過(guò)這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過(guò)程中被某個(gè)“看起來(lái)很好”的解吸引，不斷圍繞它進(jìn)行微小改進(jìn)，最終卡在“局部低谷”而不是“全局最低點(diǎn)”。
一個(gè)更合理的做法是：使用粒子群和遺傳算法在全局進(jìn)行初始搜索，使用ego回歸分析進(jìn)行特定區(qū)間的優(yōu)化，最后使用NM方案進(jìn)行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動(dòng)方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫(xiě)對(duì)應(yīng)的程序，實(shí)現(xiàn)參數(shù)的自動(dòng)標(biāo)定過(guò)程：
這里實(shí)現(xiàn)對(duì)vpsc模型的復(fù)雜參數(shù)自動(dòng)標(biāo)定；
這里使用相對(duì)復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個(gè)系統(tǒng)考慮tau_0,tau_s,h_0,一共12個(gè)待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)化來(lái)自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優(yōu)化算法。
展開(kāi) 為了讓各類(lèi)傳感器更精確的感知，在傳感器裝車(chē)后，就需要對(duì)傳感器進(jìn)行標(biāo)定以獲取各個(gè)傳感器的安裝位置。具體來(lái)說(shuō)，就是通過(guò)標(biāo)定確定車(chē)身坐標(biāo)系下傳感器的位置。
一、傳感器標(biāo)定類(lèi)型
在一輛具備L2+級(jí)別智駕車(chē)上，常會(huì)搭建攝像頭，激光雷達(dá)，毫米波雷達(dá)，GPS/IMU等傳感器。從性質(zhì)上講，傳感器標(biāo)定包括內(nèi)參標(biāo)定和外參標(biāo)定兩種類(lèi)型。
1、內(nèi)參標(biāo)定
內(nèi)參標(biāo)定主要關(guān)注傳感器本身的參數(shù)，如相機(jī)的焦距、光心以及畸變參數(shù)等。通過(guò)建立傳感器誤差模型，獲得傳感器特性參數(shù)，進(jìn)而消除傳感器本身測(cè)量誤差。關(guān)于相機(jī)標(biāo)定可進(jìn)一步看《深入探討：自動(dòng)駕駛中的相機(jī)標(biāo)定技術(shù)》。
2、外參標(biāo)定
外參標(biāo)定關(guān)注傳感器相對(duì)于車(chē)輛坐標(biāo)系的位置。這通常需要借助先驗(yàn)信息，如工裝信息或環(huán)境信息，來(lái)確定傳感器的位姿。如果車(chē)輛坐標(biāo)系定義為車(chē)輛上的某一點(diǎn)，標(biāo)定過(guò)程將解決傳感器在固定車(chē)輛坐標(biāo)系下的位置確定問(wèn)題。簡(jiǎn)單來(lái)說(shuō)，傳感器外參標(biāo)定求解取決于車(chē)輛坐標(biāo)系的定義。
傳感器內(nèi)參標(biāo)定由于與安裝位置無(wú)關(guān)，常在裝車(chē)前進(jìn)行標(biāo)定。而傳感器外參標(biāo)定涉及到車(chē)輛坐標(biāo)系的確定，主要包括傳感器與車(chē)身的標(biāo)定（單一標(biāo)定）和多傳感器標(biāo)定（聯(lián)合標(biāo)定）。其中多傳感器標(biāo)定是通過(guò)傳感器的測(cè)量信息來(lái)求解不同傳感器之間的位姿變換。
下面就以激光雷達(dá)為例，進(jìn)一步分析傳感器與車(chē)身標(biāo)定（單一標(biāo)定）和多傳感器標(biāo)定（聯(lián)合標(biāo)定）。
二、單一標(biāo)定和聯(lián)合標(biāo)定
1、單一標(biāo)定
在激光雷達(dá)與車(chē)身標(biāo)定過(guò)程中，首先要安裝激光雷達(dá)，并確定車(chē)輛坐標(biāo)系，隨后通過(guò)測(cè)量工具記錄其相對(duì)于車(chē)輛坐標(biāo)系的位置和方向。將多個(gè)標(biāo)定板置于激光雷達(dá)可掃描到的區(qū)域，采集點(diǎn)云數(shù)據(jù)，并通過(guò)標(biāo)定算法計(jì)算激光雷達(dá)坐標(biāo)系與車(chē)輛坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。最終解算出激光雷達(dá)與車(chē)身的外參。
2、聯(lián)合標(biāo)定
聯(lián)合標(biāo)定是指對(duì)多個(gè)傳感器進(jìn)行綜合標(biāo)定，確保它們之間的數(shù)據(jù)能夠準(zhǔn)確融合。
展開(kāi) https://www.fhwa.dot.gov/publications/research/safety/04094/04.cfm
單位制 kg-mm-ms-Gpa
來(lái)源 | 自動(dòng)駕駛之心、計(jì)算機(jī)視覺(jué)life
導(dǎo)讀：傳感器標(biāo)定是自動(dòng)駕駛的基本需求，一個(gè)車(chē)上裝了多個(gè)/多種傳感器，而它們之間的坐標(biāo)關(guān)系是需要確定的。灣區(qū)自動(dòng)駕駛創(chuàng)業(yè)公司ZooX的co-founder和CTO是Sebastia Thrun的學(xué)生Jesse Levinson，他的博士論文就是傳感器標(biāo)定。
這個(gè)工作可分成兩部分：內(nèi)參標(biāo)定和外參標(biāo)定，內(nèi)參是決定傳感器內(nèi)部的映射關(guān)系，比如攝像頭的焦距，偏心和像素橫縱比（+畸變系數(shù)），而外參是決定傳感器和外部某個(gè)坐標(biāo)系的轉(zhuǎn)換關(guān)系，比如姿態(tài)參數(shù)（旋轉(zhuǎn)和平移6自由度）。
攝像頭的標(biāo)定曾經(jīng)是計(jì)算機(jī)視覺(jué)中3-D重建的前提，張正友老師著名的的Zhang氏標(biāo)定法，利用Absolute Conic不變性得到的平面標(biāo)定算法簡(jiǎn)化了控制場(chǎng)。
這里重點(diǎn)是，討論不同傳感器之間的外參標(biāo)定，特別是激光雷達(dá)和攝像頭之間的標(biāo)定。
另外在自動(dòng)駕駛研發(fā)中，GPS/IMU和攝像頭或者激光雷達(dá)的標(biāo)定，雷達(dá)和攝像頭之間的標(biāo)定也是常見(jiàn)的。不同傳感器之間標(biāo)定最大的問(wèn)題是如何衡量最佳，因?yàn)楂@取的數(shù)據(jù)類(lèi)型不一樣：
攝像頭是RGB圖像的像素陣列；
激光雷達(dá)是3-D點(diǎn)云距離信息（有可能帶反射值的灰度值）；
GPS-IMU給的是車(chē)身位置姿態(tài)信息；
雷達(dá)是2-D反射圖。
這樣的話，實(shí)現(xiàn)標(biāo)定誤差最小化的目標(biāo)函數(shù)會(huì)因?yàn)椴煌瑐鞲衅髋鋵?duì)而不同。
另外，標(biāo)定方法分targetless和target兩種，前者在自然環(huán)境中進(jìn)行，約束條件少，不需要用專(zhuān)門(mén)的target；后者則需要專(zhuān)門(mén)的控制場(chǎng)，有g(shù)round truth的target，比如典型的棋盤(pán)格平面板。
這里僅限于targetless方法的討論，依次給出標(biāo)定的若干算法。
展開(kāi) 
土壤參數(shù)自動(dòng)標(biāo)定的相關(guān)專(zhuān)題、標(biāo)簽、搜索
土壤參數(shù)自動(dòng)標(biāo)定的最新內(nèi)容
1.1. 概述
本案例展示了一個(gè)基于 ANSYS APDL 的聯(lián)方型網(wǎng)殼結(jié)構(gòu)精細(xì)建模與自動(dòng)化分析過(guò)程。模型采用全參數(shù)化建模思路，通過(guò)少量參數(shù)輸入即可自動(dòng)生成可計(jì)算模型，并完成振動(dòng)模態(tài)分析與自動(dòng)出圖。該模型適用于快速建立空間網(wǎng)殼結(jié)構(gòu)、進(jìn)行振型特性分析等多種場(chǎng)景。
圖1-1 實(shí)際圖1
本案例展示了一個(gè)基于 ANSYS APDL 的肋環(huán)型網(wǎng)殼結(jié)構(gòu)精細(xì)建模與分析過(guò)程。模型采用純參數(shù)化方式定義，通過(guò)輸入少量幾何參數(shù)即可自動(dòng)生成可計(jì)算模型，并支持自動(dòng)出圖功能。案例適用于從事空間結(jié)構(gòu)建模、穩(wěn)定性分析以及二次開(kāi)發(fā)研究的工程技術(shù)人員與科研人員。
模型的核心特點(diǎn)是實(shí)現(xiàn)了幾何參數(shù)與單元類(lèi)型的高度可控化，能夠根據(jù)用戶(hù)輸入的矢高、環(huán)數(shù)、徑數(shù)自動(dòng)生成肋環(huán)型網(wǎng)殼結(jié)構(gòu)的有限元模型
<p>本貼為L(zhǎng)S-DYNA中DEM單元生成及單軸壓縮試驗(yàn)（UCT）與巴西圓盤(pán)劈裂實(shí)驗(yàn)（BST）的教學(xué)貼。</p><p>大家都知道DEM（離散單元法）是模擬顆粒流動(dòng)以及巖土類(lèi)介質(zhì)破壞的重要工具，業(yè)界鼎鼎大名的Altair-EDEM、PFC以及ANSYS-RockyDEM都是解決顆粒物質(zhì)力學(xué)仿真的明星產(chǎn)品。但是，作為顯式動(dòng)力學(xué)計(jì)算鼻祖的LS-DYNA也是早早引進(jìn)了DEM方法，并提供了多物理場(chǎng)耦合的強(qiáng)大功能
<p>在Ansys 2025 R1新版本中，高頻系列產(chǎn)品進(jìn)行了顯著的功能增強(qiáng)和優(yōu)化，旨在提升電磁仿真效率、精度和用戶(hù)體驗(yàn)：HFSS 功能持續(xù)增強(qiáng)，網(wǎng)格劃分和建模，并支持大規(guī)模天線陣列；擴(kuò)展了 SIwave 功能，簡(jiǎn)化了噪聲和串?dāng)_分析；Ansys HFSS-IC 將信號(hào)和電源完整性分析與分布式 RaptorX 仿真集成在一起，縮短了大規(guī)模芯片設(shè)計(jì)的仿真時(shí)間；EMC Plus增強(qiáng)了電磁兼容性分析；Charge
在本推文中介紹四類(lèi)常用參數(shù)自動(dòng)標(biāo)定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實(shí)現(xiàn)最簡(jiǎn)單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類(lèi)方案的優(yōu)勢(shì)體現(xiàn)為
EGO使用代理模型（如高斯過(guò)程回歸）來(lái)預(yù)測(cè)目標(biāo)函數(shù)，極大減少了實(shí)際函數(shù)評(píng)估次數(shù)。
EGO在每一步都智能選擇下一個(gè)最值得評(píng)估的位置
在使用晶體塑性理論進(jìn)行分析時(shí)，材料參數(shù)的標(biāo)定往往是一個(gè)枯燥繁瑣卻十分重要的工作，但由于模型考慮了滑移孿晶相變等眾多的微觀因素，造成了本構(gòu)模型包含了大量的待確定參數(shù)，目前主流的方案依然以試錯(cuò)法為主，但該方案往往效率十分低下，且需要對(duì)每個(gè)參數(shù)的影響趨勢(shì)去做出準(zhǔn)確判斷，才能給出相對(duì)合理的參數(shù)更改，一些研究人員使用特定的優(yōu)化算法可以做到參數(shù)的高效標(biāo)定工作，如：蟻群算法，遺傳算法，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等，這里以黃永剛唯象的本構(gòu)模型為例
本貼為L(zhǎng)S-DYNA中DEM的DE-BOND鍵參數(shù)標(biāo)定實(shí)驗(yàn)。
DEM常用于離散介質(zhì)，如碎石、沙子等材料的模擬，也可以通過(guò)粘結(jié)模型對(duì)脆性材料的斷裂與破碎行為進(jìn)行研究，由于粘結(jié)鍵的參數(shù)無(wú)法通過(guò)宏觀的力學(xué)性能測(cè)試直接得出，因此，在LS-DYNA中使用粘結(jié)模型需要對(duì)參數(shù)進(jìn)行標(biāo)定。本貼通過(guò)FEM與DEM耦合的方法，通過(guò)無(wú)側(cè)限單軸抗壓強(qiáng)度實(shí)驗(yàn)對(duì)相關(guān)參數(shù)進(jìn)行測(cè)試。
隨著智駕從L0（預(yù)警功能），L2（獨(dú)立的橫縱向執(zhí)行功能）到目前L2.9（城市NOA）的快速演變和裝配，車(chē)輛對(duì)外界的感知需求也在快速增加。
為了讓各類(lèi)傳感器更精確的感知，在傳感器裝車(chē)后，就需要對(duì)傳感器進(jìn)行標(biāo)定以獲取各個(gè)傳感器的安裝位置。具體來(lái)說(shuō)，就是通過(guò)標(biāo)定確定車(chē)身坐標(biāo)系下傳感器的位置。
一、傳感器標(biāo)定類(lèi)型
在一輛具備L2+級(jí)別智駕車(chē)上，常會(huì)搭建攝像頭，激光雷達(dá)，毫米波雷達(dá)，GPS/IMU
<p>隨著自動(dòng)駕駛技術(shù)的快速發(fā)展，多傳感器的數(shù)據(jù)采集和融合可以顯著提高系統(tǒng)的冗余度和容錯(cuò)性，進(jìn)而保證決策的快速性和正確性。在項(xiàng)目開(kāi)發(fā)迭代過(guò)程中，傳感器標(biāo)定扮演著至關(guān)重要的角色，它位于數(shù)據(jù)采集平臺(tái)與感知融合算法之間，是確保傳感器數(shù)據(jù)準(zhǔn)確性的基礎(chǔ)，同時(shí)也是實(shí)現(xiàn)傳感器融合的關(guān)鍵先決條件。</p><p>在眾多傳感器中，相機(jī)以其豐富的信息獲取能力和成本效益而成為自動(dòng)駕駛系統(tǒng)中的首選。相機(jī)標(biāo)定可以提高空間定位精度
精彩直播預(yù)告
傳動(dòng)系統(tǒng)在各行業(yè)中的廣泛應(yīng)用也決定了其需要快速發(fā)展不斷迭代以適應(yīng)復(fù)雜多變的行業(yè)形勢(shì)，滾動(dòng)軸承作為傳動(dòng)系統(tǒng)的關(guān)鍵零部件，其選型的成功與否關(guān)系到傳動(dòng)系統(tǒng)的性能好壞。傳統(tǒng)的軸承選型工作需要處理復(fù)雜的手動(dòng)計(jì)算和多階段的試錯(cuò)過(guò)程，不僅耗時(shí)，還容易引入人為錯(cuò)誤，影響設(shè)計(jì)準(zhǔn)確性和效率
