计算机视觉与深度学习SLAM综述（自主移动机器人同时定位与地图创建） 计算机视觉.pdf

针对类车机器人自主移动的问题，首先在非完整约束系统下建立类车机器人低速移动过程的运动学模型和动力学模型，选用适合基础性类车移动机器人研究的自行车模型进行状态分析；在混合式体系结构下用STM32作为机器人自主移动控制系统的核心，给出控制系统框图，完成硬件设计；同时完成环境定位与建图，构建动态贝叶斯网络，最终综合实现类车机器人自主移动的功能。

我们研究了满足按需运输需求的电动自动驾驶汽车车队与电力网络之间的相互作用(称为自动移动按需系统，简称AMoD系统)。我们提出了一个联合模型，该模型捕捉了两个系统之间的耦合，这两个系统源于汽车的充电需求，捕捉了时变的客户需求、电池折旧和电力传输约束。首先，我们证明了该模型是有效优化的。在此基础上，我们证明了在采用边际电价的情况下，联合问题的社会最优解是一般均衡。最后，我们证明，在不共享私人信息的情况下，自私的运输和发电机运营商(在非营利ISO的帮助下)可以计算出平衡。通过案例研究和基于agent的模拟，我们评估了该方法的性能及其对需求随机波动的鲁棒性。总的来说，这些结果首次提供了AMoD系统与电网之间相互作用的表征，并进一步阐明了AMoD的经济和社会价值

Introduction to Autonomous Mobile Robots，英文清晰版，经典的机器人学习书籍

-深度强化学习已成功应用于各种电脑游戏[8]。然而，它在实际应用中仍然很少使用，尤其是在实际移动机器人的导航和连续控制中[13]。以前的方法缺乏安全性和鲁棒性，并且/或者需要一个结构化的环境。在本文中，我们提出了一种在未知环境下，无地图或规划器的真实机器人自主自学习导航的概念证明。机器人的输入仅仅是来自2D激光扫描仪和RGB-D相机的融合数据，以及目标的方向。环境地图是未知的。异步网络（GA3C）的输出动作是机器人的线性速度和角速度。 导航/控制器网络在一个高速、并行、自实现的仿真环境中进行预训练，以加快学习过程，然后部署到实际机器人上。为了避免过度拟合，我们训练相对较小的网络，并向输入激光数据中添加随机高斯噪声。传感器数据与RGB-D摄像头的融合使机器人能够在真实环境中进行导航，实现真正的3D避障，而无需使环境适应机器人的感官能力。 为了进一步提高鲁棒性，我们在各种困难的环境中进行训练，并同时运行32个训练实例

参考资料-自主移动机器人激光全局定位系统.zip

自主移动机器人的感知，使用ROS，rs-lidar-16，SLAM，基于Yolov5的DNN的目标检测自主移动机器人的感知，借助SLAM，离线地图定位和2Dto3D目标检测，初步自主移动机器人环境感知系统完成设备自主移动机器人IMU Xsens MTi-G700 Robosense lidar-16 Realsense D435相关工作基于对象检测和定位RealsenseD435的工作：SC-LeGO-LOAM hdl_localization Video对象示例ROS检测：下一个ROS和SLAM版本已上载，但我

多点路径规划指标 自主移动机器人上的Star算法 介绍。 该项目是我在完全自主的多智能体机器人的Graduation项目中工作的一部分。 该项目的主要目标是在整个机器人上实施编队算法，并开发不同的算法以使每个机器人具有完全自主性。 使每个算法具有完全自主性的算法是： 运动控制算法 去目标算法 使用高架摄像机的感知数据进行定位的算法 映射表示 路径规划算法，该算法是该回购中包含的一种。 提供的A Star算法的说明 自治系统中使用的A *（发音为A-star）算法为机器人从其当前位置到所需目标点生成一条自由碰撞路径。 我的代码取决于两个主要数据，它们是机器人相对于全局参考位置的当前位置以及机器人环境的表示形式。 两者都嵌入在一起，并作为一条数据被接收，称为地图。 另一部分是期望的目标。 该代码遵循A-star算法的标准已知方法，但对后续节点的选择标准除外。 标准版本选择标准可以简单地用作 如果该节点已被签名/标记为空闲，并且在算法认为还没有被访问之前就没有访问过该节点，则可以计算其成本并进一步进行操作。 问题出在我的机器人开始向对角线移动！！！ 由于尺寸过大，它卡住了，您可以通过观看链接

NVIDIA Redtail项目 使用深度学习的无人机和地面车辆的自主视觉导航组件。 有关如何入门的更多信息，请参阅 。 该项目包含深层神经网络，计算机视觉和控制代码，硬件指令以及其他工件，允许用户建造无人驾驶飞机或地面车辆，这些无人机或地面车辆可以在高度非结构化的环境（例如森林步道，人行道等）中自主导航。导航在NVIDIA的Jetson嵌入式平台上运行。 我们的详细介绍了TrailNet和其他运行时模块。 可以使用公开数据从头开始训练项目的深度神经网络（DNN）。 作为该项目的一部分，还提供了一些 。 如果您想从头开始训练TrailNet DNN，请按照上的步骤进行操作。 该项目还包含

Introduction to Autonomous Mobile Robots（自主移动机器人导论第二版 英文） This book is the result of inspirations and contributions from many researchers and students at the Swiss Federal Institutes of Technology Zurich (ETH) and Lausanne (EPFL), Carnegie Mellon University’s Robotics Institute, Pittsburgh (CMU), and many others around the globe. We would like to thank all the researchers in mobile robotics who make this field so rich and stimulating by sharing their goals and visions with the community. It is their work that enabled us to collect the material for this book.