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

这是一个在质量弹簧模型上进行开环运动规划的简单示例。 一个质量连接到一个弹簧上，而弹簧的另一端连接到一个直线电机上。 质量的位置和速度用作模型的状态。 在此示例中，位置和速度将从初始状态转向所需的最终状态。 为此，预先计算了离散时间输入，然后将其用于使用 Simulink 对模型进行仿真。

机械臂运动规划的基础知识，主要帮助实现操作空间和关节空间的联系，还有一些坐标变换相关的知识，是《机器人学》的一个笔记。

步进电机的速度控制及运动规划步进伺服.docx

多关节机械臂路径规划是一个高度受限的非线性优化问题，很难找到单一的优化解。提出一种基于单纯形算法和粒子群算法的混合算法，以解决机械臂的路径规划问题。仿真试验表明，相较于常规的A*算法，该混合算法具有更高的求解精度。

七次多项式插值MATLAB程序，对于运动规划非常有借鉴意义