运动规划 包含机器人运动规划的算法和模型实验。该代码非常具有原型水准 接触隐式轨迹优化示例 绘画 简单的操作 网络漂移 赛博跳跃 角落里的盒子 料斗 (2D) 垂直步态 料斗 (2D) 翻转 简单的步行者（2D）（添加模型） 料斗 (3D) 料斗 (3D) 墙壁缩放 迷你高尔夫（修复 RBD 部门） 杯中球机器人手臂（从旧脚本移过来） 球杯四旋翼（从旧脚本移过来） 两足动物 (2D) 四足（2D）（修改模型） 四足（2D）在盒子上 四足（2D）后空翻 四足（3D） 蚂蚁（3D） 蛇 (3D) 地图集 直接策略优化示例 绘画 我们提供了使用 Deterministic Sampling and Collocation的Direct Policy Optimization 的示例。优化策略需要SNOPT并且其安装资源可在此处获得。这些示例中的轨迹和策略已保存并可加载以运行策略模拟和可视化。 线性二维码 双积分器 平面四旋翼 运动规划 摆 自动驾驶汽车 推车杆 火箭 四旋翼 两足动物 接触隐式模型预测控制示例 绘画

DRL从游戏到自动驾驶 驾驶策略智能化建模 面向无人车运营的持续改进 系统框架 模型和预监督 主算法效果优化 探索策略演进 探索策略优化 案例演示 大集合效果

人工智能-机器学习-模块化可重组机器人运动规划方法研究.pdf

人工智能-机器学习-模块化移动机械臂运动规划与控制.pdf

文章主要描述仿生机器蛇的设计，包括机器蛇的结构设计和运动规划连贯动作的实现。通过对蛇形机器人在有障碍物和无障碍物环境中，进行不同连贯动作的运动规划和运动形式变化，找出机器人设计的不同侧重点;最后，将对本文的不足和实验时所遇到的困难进行总结，并加以展望。

基于多智能体的视觉反馈冗余度机器人实时运动规划

人工智能-机器学习-面向仓储自动化的机器人运动规划.pdf

在进行无人车的规划、控制算法调试时，直接在实车上进行不仅危险且效率低下，一个好的运动学仿真平台将会加速开发进度。Carsim非常适合进行车辆动力学仿真，但是只能运行在Windows系统上，好在它可以连接Simulink。而无人车的规划、控制算法通常运行在Linux系统上，各个模块通常使用ROS进行连接。本篇文章提供一种方法，将ROS 、 Simulink、carsim进行互联，完成规划、控制算法的动力学仿真。

使用数值方法求解机器人运动计划，以解决最佳控制问题。 规划可以采用运动学约束（例如位置、速度、加速度、加加速度边界）、动力学约束（例如机器人刚体动力学包括重力、离心力和科里奥利力、惯性力、关节扭矩限制，甚至扭矩变化率限制），以及碰撞避免考虑在内。 解决时间在几秒钟内。 详细信息参见出版物：“机器人运动规划的高效轨迹优化”，Yu Zhao、Hsien-Chung Lin、Masayoshi Tomizuka，ICARCV 2018。 有关可用演示的列表，请参阅https://github.com/yzhao334/Efficient-Trajectory-Optimization-for-Robot-Motion-Planning--Examples 。 所需软件包：chebfun、CasADi。 包中包含的其他依赖项（STLRead 和 STLWrite）

本文提出了一种名为 MCMP（Monte Carlo Motion Planning）的新方法，用于解决不确定性下的运动规划问题，即计算满足概率避碰约束的低成本路径的问题。 MCMP 通过蒙特卡罗采样参考跟踪控制器的执行（在本文中我们考虑 LQG）来估计给定路径的碰撞概率（CP）。 本文的关键算法贡献是统计方差减少技术的设计，即控制变量和重要性抽样，以使这种抽样过程适合实时实施。 MCMP 通过迭代 (i) 计算问题的确定性版本的（近似）最优路径（此处使用 FMT* 算法），将此 CP 估计过程应用于运动规划，（ii）计算该路径的 CP，以及（ iii) 根据 CP 是高于还是低于目标值，以一个公因数对障碍物充气或放气。 MCMP 的优点有三个方面： (i) CP 估计的渐近正确性，与大多数当前的近似相反，如本文所示，后者可能会相差很大倍数并阻碍可行计划的计算； (ii) 速度和可并行性，以及 (iii) 通用性，即该方法几乎适用于任何规划问题，只要路径跟踪控制器和配置空间中的障碍物距离概念可用。 数值结果说明了 MCMP 的正确性（在可行性方面）、效率（在路径成本方面）和计