土壤參數自動標定的案例
基于遺傳算法的晶體塑性參數自動標定
目標函數的演化曲線如圖所示：
不同迭代次數下對應的模擬和原始黃永剛程序計算得到的拉伸曲線對比如下：
初始：
迭代5次
迭代10次
迭代15次
迭代20次：
可以看到，隨著迭代次數的增加，模擬曲線逐漸接近于真實值，盡管目前只嘗試了針對簡單的唯象模型的參數自動標定，不過可以預期的是，該方案在更加復雜的位錯密度模型中將展示更大優勢
常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 康謀技術 | 自動駕駛傳感器標定技術：從單一到聯合標定
為了讓各類傳感器更精確的感知，在傳感器裝車后，就需要對傳感器進行標定以獲取各個傳感器的安裝位置。具體來說，就是通過標定確定車身坐標系下傳感器的位置。
一、傳感器標定類型
在一輛具備L2+級別智駕車上，常會搭建攝像頭，激光雷達，毫米波雷達，GPS/IMU等傳感器。從性質上講，傳感器標定包括內參標定和外參標定兩種類型。
1、內參標定
內參標定主要關注傳感器本身的參數，如相機的焦距、光心以及畸變參數等。通過建立傳感器誤差模型，獲得傳感器特性參數，進而消除傳感器本身測量誤差。關于相機標定可進一步看《深入探討：自動駕駛中的相機標定技術》。
2、外參標定
外參標定關注傳感器相對于車輛坐標系的位置。這通常需要借助先驗信息，如工裝信息或環境信息，來確定傳感器的位姿。如果車輛坐標系定義為車輛上的某一點，標定過程將解決傳感器在固定車輛坐標系下的位置確定問題。簡單來說，傳感器外參標定求解取決于車輛坐標系的定義。
傳感器內參標定由于與安裝位置無關，常在裝車前進行標定。而傳感器外參標定涉及到車輛坐標系的確定，主要包括傳感器與車身的標定（單一標定）和多傳感器標定（聯合標定）。其中多傳感器標定是通過傳感器的測量信息來求解不同傳感器之間的位姿變換。
下面就以激光雷達為例，進一步分析傳感器與車身標定（單一標定）和多傳感器標定（聯合標定）。
二、單一標定和聯合標定
1、單一標定
在激光雷達與車身標定過程中，首先要安裝激光雷達，并確定車輛坐標系，隨后通過測量工具記錄其相對于車輛坐標系的位置和方向。將多個標定板置于激光雷達可掃描到的區域，采集點云數據，并通過標定算法計算激光雷達坐標系與車輛坐標系之間的轉換關系。最終解算出激光雷達與車身的外參。
2、聯合標定
聯合標定是指對多個傳感器進行綜合標定，確保它們之間的數據能夠準確融合。
展開 LS-DYNA 土壤MAT147 土壤本構參數取值范圍
https://www.fhwa.dot.gov/publications/research/safety/04094/04.cfm
單位制 kg-mm-ms-Gpa
自動駕駛系統的傳感器標定方法
來源 | 自動駕駛之心、計算機視覺life
導讀：傳感器標定是自動駕駛的基本需求，一個車上裝了多個/多種傳感器，而它們之間的坐標關系是需要確定的。灣區自動駕駛創業公司ZooX的co-founder和CTO是Sebastia Thrun的學生Jesse Levinson，他的博士論文就是傳感器標定。
這個工作可分成兩部分：內參標定和外參標定，內參是決定傳感器內部的映射關系，比如攝像頭的焦距，偏心和像素橫縱比（+畸變系數），而外參是決定傳感器和外部某個坐標系的轉換關系，比如姿態參數（旋轉和平移6自由度）。
攝像頭的標定曾經是計算機視覺中3-D重建的前提，張正友老師著名的的Zhang氏標定法，利用Absolute Conic不變性得到的平面標定算法簡化了控制場。
這里重點是，討論不同傳感器之間的外參標定，特別是激光雷達和攝像頭之間的標定。
另外在自動駕駛研發中，GPS/IMU和攝像頭或者激光雷達的標定，雷達和攝像頭之間的標定也是常見的。不同傳感器之間標定最大的問題是如何衡量最佳，因為獲取的數據類型不一樣：
攝像頭是RGB圖像的像素陣列；
激光雷達是3-D點云距離信息（有可能帶反射值的灰度值）；
GPS-IMU給的是車身位置姿態信息；
雷達是2-D反射圖。
這樣的話，實現標定誤差最小化的目標函數會因為不同傳感器配對而不同。
另外，標定方法分targetless和target兩種，前者在自然環境中進行，約束條件少，不需要用專門的target；后者則需要專門的控制場，有ground truth的target，比如典型的棋盤格平面板。
這里僅限于targetless方法的討論，依次給出標定的若干算法。
展開 一維發動機模型的自動標定
將不易正確讀取或試驗難以確定的參數設定為設計變量（合計14個變量），試驗值與仿真結果之間的方差最小化、標準偏差最小化設定為目標函數，使用modeFrontier自動探索最優解，可以在短時間內完成嚴密的校核。
采用modeFrontier進行多目標優化時，工程師可以對pareto最優解進行分析，選擇最適合的方案，同時可以從中挖掘更詳細更有用的信息。
PFC巖石雙軸參數標定結果
雙軸試驗結果圖——塊體
這里使用我之前帖子里面講的雙軸試驗過程進行參數標定。
需要注意的是，不同成樣方式帶來的結果不盡相同，所以很多人用別人參數算自己模型發現結果不太對。因為級配、成樣方式有區別。比如我這里預壓是1e7，如果你預壓是1e6，那我的參數用到你那里就不太行了。
常規巖石的三軸試驗結果為
我這里只是標定強度參數，沒有研究變形。
強度參數有四個 fric是顆粒摩擦系數，pb_ten是膠結抗拉強度，pb_coh是膠結粘聚力，pb_fa是膠結內摩擦角。
以上灰色區域是形成的強度包線，類似于摩爾庫倫法則，多了一個抗拉強度。
很多朋友標定的時候發現內摩擦角過小，可以打開破壞模式看看，大部分都是拉壞，而剪壞才能體現球應力對強度的影響。所以一般來說膠結抗拉強度要大于膠結摩擦角。
我這里就采用5MPa和10MPa兩個圍壓來標定，我自己也寫了一個程序去計算內摩擦角和內聚力，在之前雙軸算例里面分享過了，這里就不加了，自己用excel也可以進行計算。
下面給出雙軸試驗結果：
結果1——應力應變曲線
結果2——位移場
結果3——力鏈圖
結果4——裂紋數目變化
這里給出我所做的幾個雙軸試驗標定的參數。
可以看到前幾個內摩擦角比較小，當我提高pb_fa和pb_ten后，整個的一個強度基本上和巖石差不多了。
后面可能會開個帖子和大家仔細講一下模型。這里主要是給出一些參數跟大家分享，也省去了大家去做參數標定的時間。
展開 LS-DYNA FEM-DEM 單軸壓縮實驗/參數標定 ￥50
本貼為LS-DYNA中DEM的DE-BOND鍵參數標定實驗。
DEM常用于離散介質，如碎石、沙子等材料的模擬，也可以通過粘結模型對脆性材料的斷裂與破碎行為進行研究，由于粘結鍵的參數無法通過宏觀的力學性能測試直接得出，因此，在LS-DYNA中使用粘結模型需要對參數進行標定。本貼通過FEM與DEM耦合的方法，通過無側限單軸抗壓強度實驗對相關參數進行測試。
接觸力記錄。
本貼的付費部分提供FEM-DEM單軸實驗參考模型。
LS-DYNA中JH-2本構模型參數標定詳細過程 ￥16.6
本文重點講述了JH-2本構模型參數的標定過程，過程十分詳細。還順帶在開頭提及了空氣模型的相關參數，需要的朋友可自行下載學習。
下圖為本文檔的目錄與介紹部分：
周期性邊界真三軸標定參數研究示例 ￥69
說明
本文復現了一篇文獻中使用三軸壓縮標定參數的研究，您可以借助這份代碼進行您自己研究相關的參數標定。由于創作不易，原代碼將有償提供，并且承諾一次購買，全面答疑，（付費服務包含源代碼和答疑服務）。如果你們是多人拼湊購買將沒有答疑服務?。∪绻褂眠^程中由任何疑問可以添加qq: 3519545754。代碼鏈接在付費內容里面。
代碼中包含5個文件（前四個分別是制樣、預壓、施加圍壓、施加三軸壓縮，最后一個是包含所有用到的fish函數文件）
四個結果文件分別是以上每步生成的結果文件。
參考文獻
[1] Ciantia M O, Boschi K, Shire T, et al. Numerical techniques for fast generation of large discrete-element models[J]. Proceedings of the Institution of Civil Engineers-Engineering and Computational Mechanics, 2018, 171(4): 147-161.
展開 康謀技術 | 深入探討：自動駕駛中的相機標定技術
</p><p><br></p><h1><strong>三、標定方法</strong></h1><p>標定方法是視覺領域中攝像頭校準的關鍵步驟，直接影響視覺系統的輸出結果。主要的標定方法包括自標定、根據參照物進行標定和基于主動視覺的標定法。</p><p>在這些方法中，張正友標定法因其簡便、高精度和廣泛的適用性而備受推崇。它利用雙平面棋盤格結構作為標定物，通過觀察棋盤格在不同視角下的圖像，可以計算出相機的內外參數。克服了傳統方法需要高精度標定物的缺點，并提高了自標定的精度。張氏標定法的主要貢獻在于提出了計算相機參數優化初值的方法，成為計算機視覺領域廣泛應用的標定方法之一。</p><p>張正友標定法的整體流程如下：</p><p>1. 制作標定板并從不同角度（平移、旋轉）拍攝若干張圖像（10-20張）。</p><p>2. 檢測圖像中的特征點。</p><p>3. 求解理想無畸變情況下的內參、外參。</p><p>4. 使用最小二乘法求出實際的徑向畸變參數。</p><p>5. 使用極大似然法優化估計，結合內參、外參、畸變參數，提升估計精度。</p><p>6. 得到實際的內參、外參、畸變參數。</p><p><br></p><p>相機標定是自動駕駛系統中不可或缺的一環，它直接影響到系統的感知能力和決策準確性。通過深入理解和掌握相機標定的技術要點，我們可以為自動駕駛車輛提供更加準確和可靠的視覺感知能力，推動自動駕駛技術的發展和應用。
展開 
LS-DYNA從頭開始學系列 應用教學1——DEM的生成及參數標定 ￥100
帖子的主要內容分為三部分：DEM粒子生成，DEM顆粒接觸參數及bond(平行粘結模型)參數詳解，FEM-DEM模擬混凝土進行單軸壓縮與巴西圓盤試驗實戰。</p><p>首先，為大家展示一下兩種試驗的結果。
LS-DYNA土壤材料參數
請問大神LS-DYNA中MAT147 號材料有什么需要注意的嗎
ANSYS中的自動化參數研究，自動建模/分網/多參數求解/自動輸出云圖/自動輸出所需結果
通過*do 和*endo命令對要研究的參數進行循環求解，通過*if和*enif命令來清楚上次計算的網格和幾何模型。同時從holrad數組中提取孔直徑參數賦予cylrad，進一步用減去布爾運算建立模型。
*do,count,1,3
fini
/prep7
*if,count,gt,1,then
vclear,all
vdele,all,,,1
*endif
cylrad=holrad(count,1)
BLOCK,0,blkw,0,blkh,0,blkt, !建立塊體。
CYL4,cylx,cyly,cylrad, , , ,blkt !建立圓柱體。
VSBV,1,2 !用塊體減去圓柱體形成有孔的塊體。
模型求解
/SOLU
FLST,2,1,5,ORDE,1
FITEM,2,5
DA,P51X,ALL,
FLST,2,1,5,ORDE,1
FITEM,2,6
SFA,P51X,1,PRES,-1000
EQSLV,PCG,1E-6
solve
后處理自動輸出應力云圖，自動保存所需數據
模型求解后，通過/ANUM、/TSPEC、/TLAB命令定義輸出圖上的注釋，如下圖所示。
/post1/
ANUM ,0,1,-0.59026,-0.7 !注釋位置，注釋字體設置
/TSPEC, 15, 1.200, 1, 0, 0
/TLABEL,-0.947,-0.7,Cylinder Radius =%holrad(count,1)%
將最大主應力云圖輸出在屏幕上，并自動保存為.JPEG格式圖片。
展開 PIDO智能仿真 | Ansys Mechanical聯合optiSLang實現材料參數標定
在0~3分析步中彈性模量的CoP幾乎為100%，參數E的影響最大，材料正處于彈性變形階段，從第4 分析步起其他塑性參數的CoP處于較大值，材料進入塑性變形階段。
敏感度分析結果-分析步CoP
Step 5：單目標優化
在Workbench添加優化（optiSLang Optimization）模塊并且與敏感性分析的MOP層相連，基于敏感性分析的參數設置和目標函數對MOP進行優化，軟件會根據優化設置自動推薦選擇NLPQL優化算法。
單目標優化設置
優化算法
優化結果得到最小差別曲線，對應的最佳設計參數為第235號設計，通過反向標定的方法得出了5個未知的非線性材料參數的最佳設計值。如果希望獲得更加精確的參數標定，可以進一步的將當前的最佳設計作為新的初始設計進行直接優化。
展開 