开放运动计划库（OMPL） Linux 视窗 这是OMPL.app，它是OMPL的扩展版本，它增加了对网格加载和碰撞检查以及简单GUI的支持。 访问以获取详细的安装说明。 OMPL.app具有以下必需的依赖性： （1.58版或更高版本） （版本3.5或更高版本） （3.3或更高版本） （版本3.0.1270或更高版本） （0.3.1版或更高版本） 以下依赖项是可选的： （用于GUI） （用于GUI） （需要生成Python绑定） （需要使用Open Dynamics Engine编译对计划的支持） （需要在上创建文档的本地副本） 安装依赖项后，您可以在Linux，macOS和MS Windows上构建OMPL.app。 转到OMPL.app的顶级目录，然后键入以下命令： mkdir -p build/Release cd build/Re

最佳的对撞避免 我们提出了一种避免相互碰撞的正式方法，其中多个独立的移动机器人或特工在公共工作空间中移动时，必须避免彼此之间的碰撞而无需特工之间的通信。 我们的公式，即最佳的相互避免碰撞（ORCA），通过让每个代理承担避免成对碰撞的一半责任，为无碰撞运动提供了充分的条件。 为每个代理选择最优动作简化为求解低维线性程序，并且我们证明了生成的动作是平滑的。 我们在涉及数千个代理的几个密集和复杂的模拟方案工作空间上测试了最佳的相互碰撞避免方法，并在短短几毫秒内为所有代理计算了无冲突动作。 RVO2库是二维的我们算法的开源C ++ 98实现。 它具有用于第三方应用程序的简单API。 用户指定静态障

SAP MTＯ业务详解，从头至尾统一介绍ＭＴＯ业务 其中业务涉及销售、采购、库存、生产、出货全流程业务，内容深入浅出

车辆路径 matlab代码 代码简介： 拖挂卡车的路径规划 方法： 自适应同伦热启动方法寻找合适的离散程度，用first-order explicit Runge-Kutta method解决离散问题，用Interior Point Method (IPM)解决非线性规划问题 工具： matlab ， ampl（ipopt） 参考文献： Trajectory Planning for a Tractor with Multiple Trailers in Extremely Narrow Environments: A Unified Approach * IEEE 2019 International Conference on Robotics and Automation (ICRA) 参考代码： 在原代码中改进： 增加障碍物的情况： 其中case1和case2对比了相同障碍物的情况下，车辆初始位置的变化对路径的影响。 Case1和case3对比了障碍物轻微的左移对路径的影响 Case4中改变初始setp对最后结果中的自适应step的变化值。在AdaptivelyHomotopi

8.2 复杂网络上的流行病传播 按照度分布，复杂网络可分为均匀网与非均匀网，它们的流行病传播是不同 的。对于前者，其动力学可由平均场或均匀混合方法给出；而对于后者，我们必 须考虑度分布的影响。如果一个网络的度分布在某一平均值附近且度分布指数衰 减，则度分布范围不大，可看作均匀的，这样的网络称为均匀网，如随机网与小 世界网等。当网络的度分布满足幂率或度分布的范围很大时, 应看作不均匀，这 样的网络称之为非均匀网，如 BA 无标度网等。本节将简单介绍流行病在均匀与 非均匀网上的传播，并介绍无标度网上零传播阈值的有趣结论[15]。 8.2.1 均匀网中的流行病传播

HCIP-Datacom-Campus Network Planning and Deployment V1.0 实验手册，已经解除密码保护，用户可以自由的更改、添加书签、笔记。

路线规划项目 此存储库包含“路线计划”项目的入门代码。 克隆 克隆此项目时，请确保使用--recurse-submodules标志。 使用HTTPS： git clone https://github.com/udacity/CppND-Route-Planning-Project.git --recurse-submodules 或使用SSH： git clone git@github.com:udacity/CppND-Route-Planning-Project.git --recurse-submodules 本地运行的依赖项 cmake> = 3.11.3 所有操作系统： make> = 4.1（Linux，Mac），3.81（Windows） Linux：大多数Linux发行版默认都安装了make Mac： Windows： gcc / g ++> = 7.4.0

对机器人覆盖路径导航的算法的调研和介绍，一个不错的文章

路径GAN 基于采样路径规划启发式生成对抗网络的Pytorch实现 表中的内容 结构 PathGAN的总体结构由两部分组成： RRT *搜索算法和 产生性的对抗性网络，用于产生有希望的区域 搜索算法 RRT*算法： 比较RRT*和Heuristic RRT* ： GAN架构 GAN整体架构： GAN架构的详细信息： 数据集 数据集 训练 结果 执照 该项目在麻省理工学院获得许可。 链接 基于生成式对抗网络的启发式算法，用于基于采样的路径规划（arXiv文章） GAN路径查找器（arXiv文章）

动态Voronoi路径规划 动态Voronoi图在移动机器人避开障碍物的路径规划中的应用。 使用ROS构建 使用ROS，我们试图构建一种算法，该算法使用voronoi图来规划移动机器人（P3dx）从起始位置到目标位置的路径，而无需使用地图。 该算法是使用ROS和Python构建的。 我们使用MobileSim进行可视化，并使用RosAria进行机器人的控制。 该算法通过检测前方是否有障碍物来创建动态voronoi图。 在计算了voronoi图之后。 Dijkstra用于最短路径。 机器人有3种选择： 沿Dijkstra生成的路径移动到已经预先计算的voronoi节点。 转到目标位置。 创建一个新的Voronoi图。