自动驾驶车辆的 预测、感知、决策、控制

arips_local_planner 实施ROS 接口的本地计划程序插件，用于2D机器人导航。 该软件包应被视为仍在构建中的Alpha版本。 基本思路： 从目标位置开始创建势场，然后将机器人移至势场负梯度的方向。 请注意，势场不同于标准ROS /“所使用的计分方法，因为那里的障碍物/路径/目标成本是逐元素加在一起的，因此必须找到使机器人避免行进的参数太靠近太障碍，但仍然允许狭窄的通道通过。 势场是由Dijkstra算法创建的，它使用膨胀的障碍物成本图对从一个单元格到另一个单元格的运动进行评分。 这样，势场即使在非常狭窄的通道中也始终会拉动机器人，同时力图与障碍物保持最大可能的距离。 该计划器最适合完整的或可以原地旋转的机器人（例如差速驱动器）。

pybullet规划（ss-pybullet） PyBullet实用程序功能库，用于机器人运动计划，操纵计划以及任务和运动计划（TAMP）。 该存储库最初是为TAMP的 （以前称为 ）方法开发的。 在 Yijiang的帮助下，可以通过获得一个稳定且有据可查的ss-pybullet 。 但是，新功能将继续首先通过ss-pybullet引入。 引文 Caelan Reed Garrett。 PyBullet规划。 。 2018。 安装 使用以下命令在OS X或Linux上安装PyBullet： $ pip install numpy pybullet $ git clone --recurse-submodules https://github.com/caelan/ss-pybullet.git $ cd ss-pybullet $ git pull --recurse-submod

mpc_local_planner ROS软件包 mpc_local_planner软件包为2D导航堆栈的base_local_planner实现了一个插件。 它提供了具有最小时间和二次形式后退水平配置的通用且通用的模型预测控制实现。 有关自定义构建说明（例如，使用其他第三方求解器进行编译），请参见此 。 有关更多常规信息和教程，请参考 。 生成状态： ROS Melodic（ melodic-devel ）： 作者 克里斯托夫Rösmann 引用软件 由于开发工作花费了大量时间和精力，因此，如果您使用该软件来进行已发布的工作，请至少引用以下出版物之一。 主要论文与方法 C.Rösmann，A。Makarow和T. Bertram：基于具有非欧几里得旋转组的非线性模型预测控制的在线运动规划， ，2020年6月。 标准MPC和Hypergraph C.Rösmann，M.K

Hyperion Planning表结构

Hyperion planning 11.2版本管理员文档

1.将战略管理的思想与供应链管理的实际运作有机结合在一起，将供应链的设计、规划和运作统一考虑。2.提出了供应链绩效的六个驱动因素:设施、库存、运输、信息、采购和定价，并以这六个驱动因素为主线，提供了全面而系统的供应链管理知识。 3.实用性强，介绍了多种定量分析工具和解析方法。

介绍“一种基于 floyd 和 a * 理论的混合路径规划算法”，仅用于学习交流，严禁用于商业用途

使用voxblox作为地图表示形式的MAV规划工具。 注意：此包装正在积极开发中！ 事情随时可能发生变化。 目录 运行模拟 尝试进行全球+本地规划 先进的骨骼化自己的地图 内容与未来工作 包括 全球规划 RRT *，RRT Connect，BIT *，PRM ...（OMPL接口） voxblox_rrt_planner 规划骨骼稀疏图voxblox_skeleton_planner 从ESDF voxblox映射生成骨架稀疏图（拓扑） voxblox_skeleton 在各种真实地图上的随机基准测试mav_planning_benchmark 路径平滑（航路点之间） 速度坡度mav_path_smoothing 多项式，在碰撞时添加其他顶点mav_path_smoothing 局部多项式优化（Loco），无约束航路点并最小化碰撞mav_path_smoothing,

避免加速度和速度障碍的相互碰撞 我们提出了一种考虑到加速约束的移动机器人避碰方法。 我们讨论了在移动障碍物中导航单个机器人的情况，以及在导航公共工作空间时相互避免碰撞的多个机器人的情况。 受速度障碍概念的启发，我们引入了加速度－速度障碍（AVO），以使机器人在遵守加速度约束的同时避免与移动障碍物发生碰撞。 AVO表征了机器人可以安全地达到并采用的比例控制加速度所采用的新速度。 通过让每个机器人承担避免成对碰撞的责任的一半，我们将此概念扩展为针对多机器人设置的相互避免碰撞。 我们的设计可确保无冲突导航，即使机器人独立且同时行动而无需协调。 我们的方法是为完整的机器人设计的，但也可以应用于运动约束非完整的机器人，例如汽车。 我们已经实现了我们的方法，并且在具有大量机器人和障碍物的具有挑战性的环境中显示了仿真结果。 版权所有2010北卡罗莱纳大学教堂山分校 根据Apache许可版本2.0（“