運動規劃算法
關注創建者：matlab應用與學習 創建時間：2023-11-11
運動規劃算法的視頻教程
1-58基于matlab的采樣的運動規劃算法-RRT(Rapidly-exploring Random Trees)
基于matlab的采樣的運動規劃算法-RRT(Rapidly-exploring Random Trees)，3D和2D,原始的RRT算法中將搜索的起點位置作為根節點，然后通過隨機采樣增加葉子節點的方式，生成一個隨機擴展樹，當隨機樹的葉子節點進入目標區域，就得到了從起點位置到目標位置的路徑。程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。
￥35.9 6分鐘 9播放
查看
1-39基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star
基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態約束的非線性系統生成開環軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數已進行詳細說明，起點坐標，終點坐標，步長，迭代數等均可根據需求進行更改，程序已調通。 購買后可下載視頻中的源程序文件。
￥25.9 3分鐘 8播放
查看
1-89基于matlab的人工蜂群和粒子群混合優化的路徑規劃算法
基于matlab的人工蜂群和粒子群混合優化的路徑規劃算法，起點和終點確定的前提下，在障礙物中尋找最佳路徑。數據可更換自己的，程序已調通，可直接運行。 購買后可下載視頻中的源程序文件。
￥25.9 1分鐘 4播放
查看
運動規劃算法的實例教程
58基于matlab的采樣的運動規劃算法-RRT ￥35.9
基于matlab的采樣的運動規劃算法-RRT(Rapidly-exploring Random Trees)，3D和2D,原始的RRT算法中將搜索的起點位置作為根節點，然后通過隨機采樣增加葉子節點的方式，生成一個隨機擴展樹，當隨機樹的葉子節點進入目標區域，就得到了從起點位置到目標位置的路徑。程序已調通，可直接運行。
如為了提高搜索效率采用雙向隨機搜索樹(Bi~RRT)，從起始點和目標點并行生成兩棵RRT，直至兩棵樹相遇，算法收斂。由于這個算法相比于原始RRT有更好的收斂性，因此在目前路徑規劃中是很常見的。NikAMelchior提出的粒子RRT算法，考慮了地形的不確定性，保證了在不確定性環境下搜索樹的擴展。Kuffner和Lavane又提出RRT-connectlv，使得節點的擴展效率大大提高。運動規劃中，距離的定義非常復雜，Pengcheng研究了在RRT生長過程中距離函數不斷學習的算法以降低距離函數對環境的敏感性。考慮到基本RRT規劃器得到的路徑長度一般是最優路徑的1.3~1.5倍，英國的J.desmithl研究了變分法技術使其達到最優。Amna A引入KD樹作為二級數據結構加速查找距離從環境中取出的隨機點最近的葉節點，降低了搜索成本。該算法在動態障礙物、高維狀態空間和存在運動學、動力學等微分約束的環境中的運動規劃已經得到廣泛的應用。
關于改進RRT算法詳情可參考：路徑規劃——改進RRT算法：https://zhuanlan.zhihu.com/p/51087819
2.3
滾動在線RRT算法
基本RRT算法傾向于遍歷整個自由空間直到獲得可行路徑，這使其不可能用于未知或動態環境中的機器人在線運動規劃。利用滾動規劃的思想可以將RRT算法進行改進，使其具備在線規劃能力。
2.3.1 滾動規劃
機器人在未知或動態環境中運動時，只能探知其傳感器范圍內有限區域內的環境信息。機器人利用局部信息進行局部運動規劃，并根據一定的評價準則得到局部目標。
展開 來源 | 知乎@搬磚的旺財、阿木實驗室
自主機器人近距離操作運動規劃體系
在研究自主運動規劃問題之前，首先需建立相對較為完整的自主運動規劃體系，再由該體系作為指導，對自主運動規劃的各項具體問題進行深入研究。本節將根據自主機器人的思維方式、運動形式、任務行為等特點，建立與之相適應的自主運動規劃體系。并按照機器人的數量與規模，將自主運動規劃分為單個機器人的運動規劃與多機器人協同運動規劃兩類規劃體系。
單個自主機器人的規劃體系
運動規劃系統是自主控制系統中主控單元的核心部分，因此有必要先研究自主控制系統和其主控單元的體系結構問題。
自主控制技術研究至今，先后出現了多種體系結構形式，目前被廣泛應用于實踐的是分布式體系結構，其各個功能模塊作為相對獨立的單元參與整個體系。隨著人工智能技術的不斷發展，基于多Agent的分布式體系結構逐漸成為了主流，各功能模塊作為獨立的智能體參與整個自主控制過程，該體系結構應用的基本形式如圖1所示。一方面，主控單元與測控介入處理、姿態控制系統、軌道控制系統、熱控系統、能源系統、數傳、有效載荷控制等功能子系統相互獨立為智能體，由總線相連；另一方面，主控單元為整個系統提供整體規劃，以及協調、管理各子系統Agent的行為。測控介入處理Agent保證地面系統對整個系統任意層面的控制介入能力，可接受上行的使命級任務、具體的飛行規劃和底層的控制指令；各子系統Agent存儲本分系統的各種知識和控制算法，自主完成主控單元發送的任務規劃，并將執行和本身的健康等信息傳回主控單元，作為主控單元Agent運行管理和調整計劃的依據。
展開 基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態約束的非線性系統生成開環軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數已進行詳細說明，起點坐標，終點坐標，步長，迭代數等均可根據需求進行更改，程序已調通。
圖17 實驗工況無人車運動軌跡
圖18 實驗工況無人車運動軌跡曲率
圖19 實驗工況側向加速度
為進一步了解本研究算法在提高實時性方面的效果，對采用常規坐標轉換方法的離散優化路徑算法（稱為方法1）在相同的實驗條件下進行了規劃實驗，與本研究算法進行比較。圖21為本研究算法與方法1在相同實驗條件下的耗時對比。方法1算法耗時在18～55 ms之間，平均耗時29.9 ms，本研究算法耗時在10～25 ms之間，平均耗時18.3 ms，實時性相比方法1有明顯提高。
圖20 無人車避障示意圖
圖21 算法耗時
4 結論
為滿足無人駕駛汽車局部路徑規劃算法對安全性、實時性以及規劃路徑的平滑性等要求，設計了一種基于運動估計結合高斯卷積的移動障礙安全性代價函數，并結合路徑平滑性和路徑偏移代價函數，使規劃的路徑可以引導車輛安全合理地避開靜止和移動障礙；使用了一種新的坐標轉換計算方法，提高了算法的實時性。仿真和實車實驗結果表明，本研究算法可以實時規劃得到安全平滑的避障路徑，可應用于實時的無人車局部路徑規劃。
今后將研究各代價函數的權重系數的取值對路徑規劃效果的影響，及障礙的危險性與其碰撞風險的標準差的關系，使路徑規劃算法得到更為擬人化的效果，并將該算法應用于更為復雜的場景中。
參考文獻
［1］ 胡林，易平，黃晶，等.基于真實事故案例的自動緊急制動系統兩輪車測試場景研究［J］.汽車工程，2018，40（12）：1435-1446.
展開 
運動規劃算法的最新內容
摘要：本研究旨在解決機械臂在復雜環境中避障路徑規劃的問題。本文提出了一種利用粒子群優化算法（PSO）進行機械臂避障規劃的方法，通過建立機械臂的運動模型，將避障問題轉化為優化問題。PSO算法通過模擬群體中個體的社會行為和個體行為來尋找到最佳路徑，確保機械臂在避開障礙物的同時，能夠高效地到達目標位置。研究表明，基于PSO算法的避障規劃在收斂速度和路徑優化上具有良好的性能，能夠有效提高機械臂的操作效率和安全性
基于matlab的Dijkstra算法進行路徑規劃。可根據實際情況輸入障礙物和起止點坐標信息； 輸出避碰最短路徑； 能夠利用切線圖算法對障礙物區域進行環境建模，設置障礙物的位置和區域。利用Dijkstra算法進行路徑規劃。程序已調通，可直接運行。
基于matlab的多目標遺傳算法的無人機航路規劃。在三維航路中進行航路代價估計，綜合考慮路徑長度、隱蔽性、危險度，規劃出最優路徑。輸出3D規劃路徑。程序已調通，可直接運行。
基于matlab的A星算法和PSO算法實現路徑規劃動畫演示，具有GUI界面，可自主生成障礙物。移動靶路徑規劃。程序已調通，可直接運行。
引 言
氣固多相流系統廣泛存在于自然界和工業過程，自然界中如河流過障、泥石流、塵埃懸浮等，工業過程中如飛機獲得升力、橋梁振動、循環流化床反應器等均涉及復雜的流固耦合運動。流體與固體間相互作用為非線性的多物理現象，體系的復雜性遠超單相流問題，如何準確解析移動的流固邊界是正確處理流固耦合的關鍵。
近年來，格子 Boltzmann 方法（lattice Boltzmann method, LBM
基于matlab的采樣的運動規劃算法-RRT(Rapidly-exploring Random Trees)，3D和2D,原始的RRT算法中將搜索的起點位置作為根節點，然后通過隨機采樣增加葉子節點的方式，生成一個隨機擴展樹，當隨機樹的葉子節點進入目標區域，就得到了從起點位置到目標位置的路徑。程序已調通，可直接運行。
基于matlab的全局路徑規劃算法中的快速擴展隨機樹RRT路徑規劃算法及其改進方法RRT Star、RRT_Conncet是一種具有狀態約束的非線性系統生成開環軌跡的技術，相比于其他算法可以輕松處理障礙物的問題。程序中的各參數已進行詳細說明，起點坐標，終點坐標，步長，迭代數等均可根據需求進行更改，程序已調通。
1正運動學分析
采用標準的D-h法進行機械腿模型分析：
D-h表如下
（2）通過（1）求解出機器人各位姿變換矩陣后，求解機器人手臂變換矩陣。通過matlab 計算，寫出機器人末端位置。
正運動學分析
根據D-H表規定得到如下變換矩陣為：
由此可得機器人相鄰兩關節位姿分別為：
摘要: 為完成6自由度機械臂在多種障礙物環境下的關節軌跡規劃，提出一種精確的碰撞檢測算法，結合6次多項式關節空間軌跡規劃算法完成機械臂的軌跡規劃避障算法。通過對障礙物與機械臂進行幾何模型簡化將6自由度機械臂的碰撞檢測問題轉化為模型之間最小距離計算問題；結合機械臂正逆運動學與碰撞檢測結果，創建遺傳優化算法的適應度函數，使機械臂在完成避障的同時優化各關節軌跡長度和轉動角度，將機械臂避障軌跡規劃問題轉化為約束條件下的多目標優化問題
可視圖法
可視圖法由Lozano-Perez和Wesley于1979年提出，是機器人全局運動規劃的經典算法。可視圖法中，機器人用點來描述，障礙物用多邊形描述。
