軌跡規(guī)劃的案例
基于精準(zhǔn)碰撞檢測算法的機(jī)械臂避障軌跡規(guī)劃
現(xiàn)有的機(jī)械臂軌跡規(guī)劃主要分為笛卡爾空間軌跡規(guī)劃和關(guān)節(jié)空間軌跡規(guī)劃 [10]，兩者各有優(yōu)缺點(diǎn)，其中笛卡爾空間規(guī)劃可以很好的確定機(jī)械臂末端執(zhí)行器的位置，但是笛卡爾軌跡規(guī)劃存在計(jì)算量大，對芯片的性能要求高；關(guān)節(jié)空間軌跡規(guī)劃在操作時(shí)非常簡便，而且可以有效避免機(jī)械臂在運(yùn)動(dòng)空間中的奇異點(diǎn)，實(shí)時(shí)性高，計(jì)算量小 [11]。針對機(jī)械臂避障軌跡規(guī)劃需求，本文采用關(guān)節(jié)空間軌跡規(guī)劃。祁若龍、譚燕等均采用遺傳算法搜索中間點(diǎn)的方式進(jìn)行空間機(jī)械臂避障軌跡規(guī)劃 [12] [13]，采用中間點(diǎn)的方式進(jìn)行避障軌跡規(guī)劃，使得機(jī)械臂在中間點(diǎn)時(shí)角速度、角加速度為零，運(yùn)動(dòng)不連續(xù)。馬宇豪等提出了一種基于六次多項(xiàng)式軌跡規(guī)劃的避障算法 [14]，但該算法進(jìn)行避障類型單一且精度不高，無法完成對多種障礙物類型的避障。江鴻懷提出基于粒子群優(yōu)化算法的五自由度機(jī)械臂軌跡規(guī)劃 [15]，該算法對機(jī)械臂運(yùn)動(dòng)軌跡的長度及角度進(jìn)行優(yōu)化，但是粒子群算法容易陷入局部最優(yōu)，所求解并非最優(yōu)解。綜上所述，上述均為對存在多種形狀的障礙物的環(huán)境進(jìn)行有效的避障軌跡規(guī)劃。本論文提出一種基于精確碰撞檢測的機(jī)械臂避障軌跡規(guī)劃。該方法能夠完成在不同形狀障礙物下的避障要求，并且可以在避開障礙物的同時(shí)對機(jī)械臂運(yùn)動(dòng)軌跡進(jìn)行最大限度的優(yōu)化。
結(jié)合遺傳優(yōu)化算法，可以將避障軌跡規(guī)劃問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，根基機(jī)械臂避障軌跡要求，約束條件為：機(jī)械臂不能與障礙物發(fā)生碰撞，角速度和角加速度連續(xù)；優(yōu)化目標(biāo)為：機(jī)械臂末端執(zhí)行器移動(dòng)位移長度和關(guān)節(jié)轉(zhuǎn)動(dòng)角度。算法設(shè)計(jì)主要分為以下幾步：1、機(jī)械臂與障礙物幾何模型簡化2、碰撞檢測算法設(shè)計(jì)3、軌跡規(guī)劃方案4、遺傳優(yōu)化算法設(shè)計(jì)，根據(jù)以上幾點(diǎn)通過matlab進(jìn)行仿真驗(yàn)證。
2.
展開 狹窄環(huán)境下帶有多拖車的牽引車軌跡規(guī)劃的統(tǒng)一方法
我們的規(guī)劃方法能找到其他現(xiàn)有規(guī)劃方法無法找到的解決方案。文中也簡要討論了在線規(guī)劃的可能性。
1 引言
牽引車-拖車系統(tǒng)是指牽引車上掛有一輛或多輛無動(dòng)力拖車[1]。通常，拖車車輪是不可轉(zhuǎn)向的，轉(zhuǎn)向力來自于旋轉(zhuǎn)關(guān)節(jié)，這些關(guān)節(jié)依次連接整個(gè)車輛的相鄰部件[2]。與等長剛體車輛相比，牽引拖車在狹窄/雜亂環(huán)境或不平坦地形下行駛更加靈活，因此在許多復(fù)雜的場景中得到了廣泛的應(yīng)用[3]。牽引車-拖車車輛軌跡規(guī)劃是指產(chǎn)生牽引車和拖車從初始配置到終端配置的滿意軌跡。在這里，滿意度要求解決的可行性(例如，沒有違反車輛運(yùn)動(dòng)學(xué)或無碰撞約束)和最優(yōu)性(即規(guī)劃軌跡預(yù)期為最優(yōu))。對于牽引-拖車車輛的軌跡規(guī)劃是具有挑戰(zhàn)性的，原因在于：（1）由于規(guī)劃模型中的欠驅(qū)動(dòng)約束和非完整約束耦合[4]，使得現(xiàn)有的大部分類車規(guī)劃方法不能直接適用；（2）牽引車-拖車的動(dòng)力學(xué)系統(tǒng)在向后運(yùn)動(dòng)時(shí)是不穩(wěn)定的。本文主要研究了牽引拖車的軌跡規(guī)劃方案。
目前流行的軌跡規(guī)劃方法分為基于圖搜索的方法、基于抽樣的方法和基于最優(yōu)控制的方法。圖搜索規(guī)劃方法首先將連續(xù)配置空間抽象為圖中的節(jié)點(diǎn)，然后搜索節(jié)點(diǎn)之間的可行鏈路，使車輛被引導(dǎo)到目的地。Dijkstra算法[5,6]，A*算法[7-9]，采用動(dòng)態(tài)規(guī)劃[10]作為搜索器。與離散配置空間的基于圖形搜索的規(guī)劃方法不同，基于采樣的規(guī)劃器使用特定的狀態(tài)模式來探索連續(xù)空間。
展開 六軸機(jī)械臂（帶抓手）運(yùn)動(dòng)學(xué)分析+軌跡規(guī)劃 ￥52
軌跡規(guī)劃程序
L(1) = Link( 'd', 0.0955, 'a' , 0.007 , 'alpha', pi/2 ,'offset',0);
L(2) = Link( 'd', 0 , 'a' ,0.135 , 'alpha', 0, 'offset',pi/2);
L(3) = Link( 'd', 0 , 'a' , 0.145 , 'alpha',0 ,'offset',-pi/2);
L(4) = Link( 'd', 0 , 'a' ,0.0535 , 'alpha', pi/2 ,'offset',0);
L(5) = Link( 'd', 0.176 , 'a' , 0 , 'alpha', -pi/2 ,'offset',0);
% L(6) = Link( 'd', 0.134 , 'a' ,0 , 'alpha', 0 ,'offset',0);
robot = SerialLink(L, 'name' , '機(jī)械臂'); %建立四自由度模型
% RRP.plotopt = {'workspace',[-10,10,-10,10,-10,10],'tilesize',10}; %設(shè)置模型空間大小和地磚大小
robot.teach; %畫出模型并進(jìn)行調(diào)控
robot.display(); %顯示建立的機(jī)器人的DH參數(shù)
% robot.plot([0 0 0 0 0])%輸入一定參數(shù)后機(jī)器人圖形
%利用五次多項(xiàng)式軌跡規(guī)劃
T1=transl(0.3,-0.3,0.5)%起點(diǎn)
q1=robot.ikunc(T1);
T2=transl(-0.3,-0.2,0.4)%終點(diǎn)
q2=robot.ikunc
展開 基于決策規(guī)劃模型的車輛軌跡預(yù)測學(xué)習(xí)方法
值得注意的是，判別器
的任務(wù)只是對
中的可行軌跡進(jìn)行評分，而不需要像大多數(shù)基于學(xué)習(xí)的框架那樣進(jìn)行回歸。下面兩個(gè)部分詳細(xì)描述了
和
。
基于模型的軌跡生成器
路徑搜索：
與可控自車的運(yùn)動(dòng)規(guī)劃可以獲知參考路徑不同的是，軌跡預(yù)測無法獲取不可控他車的未來路徑。因此我們在軌跡
生成之前進(jìn)行路徑
搜索，以便于每一個(gè)預(yù)測目標(biāo)可以用一組潛在的路徑
聯(lián)系到一起。此外，預(yù)測的時(shí)間范圍相對較短(少于5秒)，這使得搜索任何道路上車輛的所有潛在路徑成為可能。
軌跡生成：
給定
中的潛在路徑作為動(dòng)態(tài)參考，我們選擇以規(guī)劃的方式生成未來的軌跡。在駕駛領(lǐng)域，運(yùn)動(dòng)規(guī)劃通常意味著為自動(dòng)駕駛車輛尋找連接當(dāng)前狀態(tài)和目標(biāo)狀態(tài)的最優(yōu)軌跡，這與預(yù)測未知意圖車輛的多模態(tài)軌跡本質(zhì)上不同。盡管如此，基于模型的路徑規(guī)劃生成器也可以用于預(yù)測，因?yàn)樗?jì)算了大量的軌跡樣本用于后續(xù)選擇。
與可控自車的軌跡規(guī)劃相比，對不可控目標(biāo)預(yù)測時(shí)狀態(tài)估計(jì)精度較低，且不需要細(xì)粒度軌跡。因此，在軌跡生成階段，一些高階狀態(tài)變量簡化為零，包括初始狀態(tài)的
，以及終止?fàn)顟B(tài)的
。
展開 
機(jī)械臂B樣條插補(bǔ)軌跡規(guī)劃 ￥56
創(chuàng)建 xlabel
xlabel('t(s)','Interpreter','tex','FontSize',10);
end
saveas(figure2,figure2.Name,'svg')
源文件見付費(fèi)內(nèi)容：（圖片如下）
matlab 正逆運(yùn)動(dòng)學(xué)分析與軌跡規(guī)劃服務(wù)
需要技術(shù)服務(wù)聯(lián)系qq2386317960
基于ADAMS的機(jī)器人動(dòng)力學(xué)分析及軌跡規(guī)劃
（4）繪制運(yùn)動(dòng)軌跡。單擊菜單【Review】→【Create TraceSpline】，然后選擇關(guān)節(jié)2右端點(diǎn)Marker4，再選擇關(guān)節(jié)1與大地的鉸接點(diǎn)，鼠標(biāo)移動(dòng)到Joint1處，單擊鼠標(biāo)右鍵，在彈出對話框中選擇ground，單擊OK創(chuàng)建運(yùn)動(dòng)軌跡，如圖2.12所示。
2.12 機(jī)械臂末端運(yùn)動(dòng)軌跡
（5）結(jié)果后處理。在后處理模塊，通過菜單【View】→【LoadAnimation】可以載入動(dòng)畫。單擊播放按鈕后開始播放動(dòng)畫，在播放同時(shí)按下記錄按鈕 ，將動(dòng)畫保存到動(dòng)畫文件中。
在后處理模塊中，通過菜單【View】→【LoadPlot】，通過選擇相應(yīng)的選項(xiàng)，繪制出相應(yīng)的結(jié)果曲線。如果2.13、2.14所示，分別繪制出機(jī)械臂末端點(diǎn)的速度曲線和加速度曲線。
2.13 機(jī)械臂末端速度曲線
2.14 機(jī)械臂末端加速度曲線
2.1.3 軌跡規(guī)劃
本例將建立在ADAMS/View中用ControsToolkits建立控制系統(tǒng)，通過PID環(huán)節(jié)進(jìn)行控制，控制對象是作用在每個(gè)關(guān)節(jié)單分量力矩，使機(jī)械臂的末端運(yùn)動(dòng)軌跡為圓。
因?yàn)殛P(guān)節(jié)1的一端與大地（Ground）原點(diǎn)鉸接，因此將圓的方程設(shè)為（x-550）2+y2=502，用參數(shù)形式表示就是x=550+50*cos（t），y=50*sin（t），要使關(guān)節(jié)2的末端運(yùn)動(dòng)軌跡按指定的軌跡運(yùn)動(dòng)，這時(shí)需要通過軌跡方程計(jì)算出兩個(gè)關(guān)節(jié)的關(guān)節(jié)變量，然后將這兩個(gè)關(guān)節(jié)變量作為控制系統(tǒng)模型的關(guān)節(jié)輸入。
展開 六自由度機(jī)械臂五次多項(xiàng)式軌跡規(guī)劃（Fivejtraj_Function自編寫函數(shù)） ￥56
d | a | alpha | offset |
+---+-----------+-----------+-----------+-----------+-----------+
| 1| q1| 0.1215| 0| 0| 0|
| 2| q2| 0.1225| 0| 1.5708| -1.5708|
| 3| q3| -0.102| -0.3| 0| 0|
| 4| q4| 0.09| -0.276| 0| -1.5708|
| 5| q5| 0.09| 0| 1.5708| 0|
| 6| q6| 0.082| 0| -1.5708| 0|
+---+-----------+-----------+-----------+-----------+-----------+
% 設(shè)置約束條件
Theta=[40,-30,-30,30,-15,20;
0,15,0,10,20,50;
-40,30,30,-20,30,30];
Velocity=[0,0,0,0,0,0;40,40,20,30,20,10;0,0,0,0,0,0];
Accle=[0,0,0,0,0,0;0,0,0,0,0,0;0,0,0,0,0,0];
[m,n]=size(Theta);
% 五次多項(xiàng)式軌跡規(guī)劃
展開 6-pss 并聯(lián)六自由度機(jī)構(gòu)軌跡規(guī)劃 ￥55
text( Br2(1)+50, Br2(2)-50, '2' );
text( Br3(1)+50, Br3(2)-50, '3' );
text( Br4(1)+50, Br4(2)+50, '4' );
text( Br5(1)+50, Br5(2)+50, '5' );
text( Br6(1)+50, Br6(2)-50, '6' );
end
2、 軌跡仿真
軌跡要求：動(dòng)平臺中心畫一個(gè)圓軌跡
3、 運(yùn)動(dòng)空間分析
根據(jù)連桿的活動(dòng)范圍，得到動(dòng)平臺得活動(dòng)范圍，如下圖：
下載咨詢鏈接
word+全仿真代碼下載見收費(fèi)內(nèi)容
展開 應(yīng)用在線驗(yàn)證技術(shù)防止自動(dòng)駕駛汽車主動(dòng)事故
而盡管規(guī)劃器2不知道其他交通參與者，但本文的驗(yàn)證技術(shù)使自動(dòng)駕駛汽車能夠安全地左轉(zhuǎn)。因?yàn)?em>規(guī)劃器2比規(guī)劃器1和3更激進(jìn)地嘗試達(dá)到所需的速度8 ms-1（參見圖5a中驗(yàn)證周期c={1, 2}的結(jié)果），所以隨后執(zhí)行的危險(xiǎn)情況安全軌跡導(dǎo)致自動(dòng)駕駛汽車快速減速（峰值加速度為-6 ms-2）（參見圖5a中規(guī)劃器2的驗(yàn)證周期c={3, …, 8}的結(jié)果）。但是規(guī)劃器2的危險(xiǎn)情況安全軌跡的執(zhí)行只會(huì)導(dǎo)致很短的延遲，因?yàn)樵诮徊媛房诘耐＼嚂r(shí)間小于2秒。
在場景II中，預(yù)期的軌跡規(guī)劃者不知道行人的亂穿馬路意圖，因此，需要執(zhí)行危險(xiǎn)情況安全軌跡以減慢自動(dòng)駕駛汽車速度（參見圖5b中驗(yàn)證周期c={2, 3, 4}的結(jié)果），直到規(guī)劃器1和3對行人做出反應(yīng)，而規(guī)劃器2需要一直引導(dǎo)以避免與行人發(fā)生碰撞。雖然執(zhí)行的類型軌跡，即Icsafe或Fc?i，連續(xù)交替，但使用規(guī)劃器2 的自動(dòng)駕駛汽車的平均速度比使用規(guī)劃器1的平均速度高5%（分別為6.36m s?1和6.09m s?1）。
總之，即使使用忽略其他交通參與者的規(guī)劃器，本文也能夠?yàn)椴煌念A(yù)期軌跡規(guī)劃器保證合法安全。此外，由于在充分考慮車輛動(dòng)力學(xué)的情況下規(guī)劃了危險(xiǎn)情況安全軌跡，因此產(chǎn)生的速度曲線平滑且連續(xù)。
展開 六軸碼垛機(jī)器人admas正逆運(yùn)動(dòng)學(xué)仿真 ￥48
圖5-11 導(dǎo)入ADAMS的部件選擇
圖5-12 導(dǎo)入ADAMS的樣機(jī)模型
5.4 機(jī)器人運(yùn)動(dòng)學(xué)仿真
5.4.1 軌跡規(guī)劃
軌跡規(guī)劃即為求解機(jī)器人運(yùn)動(dòng)學(xué)逆解的過程。將機(jī)器人模型導(dǎo)入ADAMS后，首先是為機(jī)器人添加材料，本機(jī)器人結(jié)構(gòu)為鋁合金。添加轉(zhuǎn)動(dòng)副，各個(gè)轉(zhuǎn)動(dòng)副從基座到手腕末端依次命名為JOINT_1、JOINT_2、JOINT_3、JOINT_4、JOINT_5和JOINT_6，在基座與大地（ground）間添加固定副。仿真模型如圖5-13所示。
在本機(jī)器人的手腕末端添加一般點(diǎn)驅(qū)動(dòng)，如圖，定義末端軌跡為一條在XY平面的螺旋線。末端端點(diǎn)三個(gè)坐標(biāo)分量X、Y、Z隨時(shí)間變化的函數(shù)為：
TraX：disp( time ) = 100*time*cos( PI*time )；
TraY：disp( time ) = 100*time*sin( PI*time )；
TraZ：disp( time ) = 0*time；
RotX：disp( time ) = 0*time；
RotY：disp( time ) = 0*time；
RotZ：disp( time ) = 0*time；
仿真的時(shí)間需要設(shè)置為2000毫秒，仿真步數(shù)要設(shè)為500，利用仿真的軌跡跟蹤功能繪制出如圖5-14所示運(yùn)動(dòng)軌跡。打開軟件的后處理模塊可觀察到關(guān)節(jié)角的變化曲線如圖5-15，即完成了本機(jī)器人的運(yùn)動(dòng)學(xué)反解，通過圖中可以看出本機(jī)器人的腕轉(zhuǎn)關(guān)節(jié)和腕擺關(guān)節(jié)有較大的抖動(dòng)，而其他各關(guān)節(jié)運(yùn)動(dòng)曲線較平滑，總體來看機(jī)器人的運(yùn)動(dòng)比較平穩(wěn)。
展開 特斯拉AI Day最硬核的解讀來了！清華博導(dǎo)分析6大關(guān)鍵點(diǎn)
規(guī)劃 Interactive Planning
規(guī)劃是自動(dòng)駕駛的另一個(gè)重要模塊，特斯拉這次主要強(qiáng)調(diào)了在復(fù)雜路口對交互（interaction）進(jìn)行建模。為什么交互建模如此重要呢？因?yàn)槠渌囕v、行人的未來行為都有一定的不確定性，一個(gè)聰明的規(guī)劃模塊要在線進(jìn)行多種自車和他車交互的預(yù)測，并且對每一種交互帶來的風(fēng)險(xiǎn)進(jìn)行評估，并最終決定采取何種策略。
特斯拉把他們采用的規(guī)劃模型叫做交互搜索（Interaction Search），它主要由三個(gè)主要步驟組成：樹搜索，神經(jīng)網(wǎng)絡(luò)軌跡規(guī)劃和軌跡打分。
1、樹搜索是軌跡規(guī)劃常用的算法，可以有效地發(fā)現(xiàn)各種交互情形找到最優(yōu)解，但用搜索的方法來解決軌跡規(guī)劃問題遇到的最大困難是搜索空間過大。例如，在一個(gè)復(fù)雜路口可能有20輛與自車相關(guān)，可以組合成超過100種交互方式，而每種交互方式都可能有幾十種時(shí)空軌跡作為候選。因此特斯拉并沒有采用軌跡搜索的方法，而是用神經(jīng)網(wǎng)絡(luò)來給一段時(shí)間后可能到達(dá)的目標(biāo)位置（goal）進(jìn)行打分，得到少量較優(yōu)的目標(biāo)。
2、在確定目標(biāo)以后，我們需要確定一條到達(dá)目標(biāo)的軌跡。傳統(tǒng)的規(guī)劃方法往往使用優(yōu)化來解決該問題，解優(yōu)化并不難，每次優(yōu)化大約花費(fèi)1到5毫秒，但是當(dāng)前面步驟樹搜索的給出的候選目標(biāo)比較多的時(shí)候，時(shí)間成本我們也無法負(fù)擔(dān)。因此特斯拉提出使用另一個(gè)神經(jīng)網(wǎng)絡(luò)來進(jìn)行軌跡規(guī)劃，從而對多個(gè)候選目標(biāo)實(shí)現(xiàn)高度并行規(guī)劃。訓(xùn)練這個(gè)神經(jīng)網(wǎng)絡(luò)的軌跡標(biāo)簽有兩種來源：第一種是人類真實(shí)開車的軌跡，但是我們知道人開的軌跡可能只是多種較優(yōu)方案中的一種，因此第二種來源是通過離線優(yōu)化算法產(chǎn)生的其他的軌跡解。
3、在得到一系列可行軌跡后，我們要選擇一個(gè)最優(yōu)方案。這里采取的方案是對得到的軌跡進(jìn)行打分，打分的方案集合了人為制定的風(fēng)險(xiǎn)指標(biāo)，舒適指標(biāo)，還包括了一個(gè)神經(jīng)網(wǎng)絡(luò)的打分器。
通過以上三個(gè)步驟的解耦，特斯拉實(shí)現(xiàn)了一個(gè)高效的且考慮了交互的軌跡規(guī)劃模塊。
展開 
基于優(yōu)化嵌入強(qiáng)化學(xué)習(xí)的環(huán)島場景下自動(dòng)駕駛自適應(yīng)決策方法研究
圖4 決策和軌跡規(guī)劃架構(gòu)
C. 神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)?zāi)Ｐ? 建立神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)?zāi)Ｐ停肂P神經(jīng)網(wǎng)絡(luò)對多個(gè)運(yùn)動(dòng)點(diǎn)進(jìn)行學(xué)習(xí)從而模擬不同決策參數(shù)下主車的狀態(tài)變化。
首先
，收集軌跡數(shù)據(jù)
。
由于決策參數(shù)的值在一個(gè)固定的范圍內(nèi)，為了獲得其在不同決策中的執(zhí)行情況，進(jìn)行了若干并行實(shí)驗(yàn)。在參數(shù)決策D=（ta，atar）下設(shè)計(jì)的軌跡規(guī)劃控制器可以表示為：
其中x=[X，Y，φ，vx，vy，ωr]T是狀態(tài)向量；u=[a，δf]T是控制向量，a改變縱向速度vx；考慮了一個(gè)關(guān)于縱向速度vx變化的簡單方程；并設(shè)計(jì)了一個(gè)下層跟蹤控制器來跟蹤期望的a，這簡化了運(yùn)動(dòng)控制模型。P（ta）=（X（ta），Y（ta））是預(yù)測時(shí)域的終端位置。Rac和Rcd分別為直線路段和曲線路段。運(yùn)動(dòng)控制模型
附在附錄中。在并行實(shí)驗(yàn)中，當(dāng)Ty=0且期望加速度為atar∈ [?2,2]時(shí)，期望的決策參數(shù)動(dòng)作持續(xù)時(shí)間ta∈ [2,4]。不同決策D=（ta，atar）下的優(yōu)化軌跡可作為數(shù)據(jù)庫，其中部分如圖5所示。如圖5所示，中等尺度變量，如預(yù)期加速度atar和動(dòng)作持續(xù)時(shí)間ta，對自動(dòng)駕駛車輛的軌跡有重要影響。
圖5 不同決策參數(shù)組合下的車輛軌跡。其中，T2,T3和T4指ta=2,3,4;A1-A5指atar=-2,-1,0,1,2
圖6 軌跡示例
然后
，每個(gè)軌跡可以用系數(shù)lx表示，橫向運(yùn)動(dòng)系數(shù)ly，1，ly，2，…，ly，5和時(shí)間系數(shù)lt，1，lt，2，…，lt，5。我們以其中一條軌跡為例，圖6表示該軌跡的特征。在一個(gè)軌跡中，lx可以表示為：
式中，sx是縱向位移，vh，0是主車的初始速度。
展開 硬核真相 —— 一次看完港科大RAM-LAB實(shí)驗(yàn)室今年ICRA的15篇論文都寫了哪些無人駕駛的黑科技
11、AVGCN: Trajectory Prediction using Graph Convolutional Networks Guided by Human Attention
首個(gè)基于人類視覺注意力模型的軌跡預(yù)測算法
行人軌跡預(yù)測尤其是擁擠場景下的行人軌跡預(yù)測是一項(xiàng)重要而又充滿挑戰(zhàn)的任務(wù)。作者建議，引入注意力機(jī)制來推斷不同鄰居的重要性對于在人群數(shù)量變化的場景中進(jìn)行精確的軌跡預(yù)測至關(guān)重要。在這項(xiàng)工作中，作者提出了一種基于人的注意力的利用圖卷積網(wǎng)絡(luò)（GCN）進(jìn)行軌跡預(yù)測的新方法AVGCN（A表示注意力，V表示視野約束）。
首先，作者使用在受試者執(zhí)行鳥瞰視角下人群導(dǎo)航任務(wù)時(shí)收集的視線數(shù)據(jù)，訓(xùn)練一個(gè)估計(jì)鄰近行人重要性的注意力網(wǎng)絡(luò)。然后，作者將行人視野約束調(diào)制的注意力權(quán)重引入到一個(gè)軌跡預(yù)測網(wǎng)絡(luò)中，該軌跡預(yù)測網(wǎng)絡(luò)使用GCN來有效地匯總鄰居的信息。AVGCN還通過利用變化軌跡預(yù)測來考慮行人軌跡的隨機(jī)性。
本方法在多個(gè)軌跡預(yù)測基準(zhǔn)上具有SOTA的性能，并且在所有考慮的基準(zhǔn)上具有最低的平均預(yù)測誤差。
12、Learning Interpretable End-to-End Vision-Based Motion Planning for Autonomous Driving with Optical Flow Distillation
首個(gè)基于視覺的可解釋的端到端軌跡規(guī)劃算法
目前基于圖像的端到端軌跡規(guī)劃算法往往缺乏可解釋性，這嚴(yán)重限制了這些算法的實(shí)際應(yīng)用。為解決該問題，本文提出了一種可解釋的端到端軌跡規(guī)劃算法。
具體而言，算法輸入為過去時(shí)間的環(huán)視圖像序列，作者首先預(yù)測鳥瞰視野中一系列未來時(shí)間的語義分割結(jié)果，再在這些預(yù)測結(jié)果上規(guī)劃車輛軌跡。
展開 六軸機(jī)械臂搬運(yùn)仿真（機(jī)器人工具箱） ￥50
% -0.2 -0.25 0.05;-0.2 0.25 0.05;-0.3 0.25 0.05;-0.3 -0.25 0.05];
% face=[1 2 3 4;1 2 6 5;1 4 8 5;2 3 7 6;3 4 8 7];
% patch('Vertices',vertice,'Faces',face,'FaceColor',[0.82 0.71 0.55]);
% %調(diào)用方法很簡單，第一個(gè)參數(shù)是長方體的原點(diǎn)，第二個(gè)參數(shù)是長寬高，輸入命令：
PlotCuboid([0.1,-0.75,-0.2],[1,1.5,0.2],5)%定義工作臺
% PlotCuboid1([0.1,-2,0.2],[1,3,0.2])%定義運(yùn)輸工具件
gx=0.43;gy=-0.3;gz=0.1;
centerLoc=[gx,gy,gz];
edgeLen=0.2;
thisColor='black';
plot3Cube(centerLoc,edgeLen,thisColor);
view(50,30)
axis equal
```
2、仿真運(yùn)動(dòng)代碼
%軌跡規(guī)劃
%第一機(jī)械臂第一段軌跡
robot.plot([0,0,0,0,0,0])%繪制機(jī)器人模型
q1=[0,0,0,0,0,0];
T1=transl(gx,gy,gz+0.1)*trotx(pi)%起點(diǎn)
q2=robot.ikunc(T1);
% qt=robot1.fkine(qt1)
% robot1.plot(q1)
[qt1,qt2,qt3]=jtraj(q1,q2,50);%利用五次多項(xiàng)式函數(shù)軌跡規(guī)劃
hold on
robot.plot
展開 多個(gè)六軸機(jī)械臂聯(lián)合作業(yè)搬運(yùn)仿真（機(jī)器人工具箱） ￥80
%第一機(jī)械臂第一段軌跡
robot1.plot([0,0,0,0,0,0])%繪制ur10_1機(jī)器人模型
q1=[0,0,0,0,0,0];
T1=transl(gx,gy,gz+0.4)*trotx(pi)%起點(diǎn)
q2=robot1.ikunc(T1);
% qt=robot1.fkine(qt1)
% robot1.plot(q1)
[qt1,qt2,qt3]=jtraj(q1,q2,50);%利用五次多項(xiàng)式函數(shù)軌跡規(guī)劃
hold on
axis([-0.5 1.5 -2 2]);
robot1.plot(qt1, 'trail','-b')
qt=robot1.fkine(qt1)
T11=transl(qt);
plot3(T11(:,1),T11(:,2),T11(:,3) ,'-b');%輸出末端軌跡
2、整個(gè)仿真視頻如下
下載咨詢鏈接
或者仿真源代碼下載可聯(lián)系扣扣2386317960
其他代碼見付費(fèi)內(nèi)容
展開 