基于51单片机的迷宫机器人设计，采用5路红外避障模式，行进的原则主要采用右上行进，比较简单，也可以轻松移植到stm32上

项目描述： 在该项目中，你将使用强化学习算法，实现一个自动走迷宫机器人。 如上图所示，智能机器人显示在右上角。在我们的迷宫中，有陷阱（红色×××）及终点（蓝色的目标点）两种情景。机器人要尽量避开陷阱、尽快到达目的地。 小车可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走l。 执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况。 撞到墙壁：-10 走到终点：50 走到陷阱：-30 其余情况：-0.1 我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。 Section 1 算法理解 1.1

国外一款很好的寻线车资料，包括路径寻线，之后路径优化寻找最佳路径迅速走到终点。

粒子过滤器 雷茂 芝加哥大学 介绍 粒子滤波器是用于解决统计推断问题的蒙特卡洛算法。 在该项目中，使用粒子过滤器推断了乌龟在迷宫中的位置和前进方向。 绿海龟是实际位置，而橙色海龟是估计位置。 箭头是粒子。 蓝色箭头代表低概率粒子，而红色箭头代表高概率粒子。 乌龟的前，后，左和右安装了四个传感器。 传感器在四个方向上测量其到最近壁的垂直距离，可能会受到某个传感器限制的限制。 粒子过滤器开始 平衡粒子过滤器 档案文件 . ├── LICENSE.md ├── main.py ├── maze.py └── README.md 依存关系 Python 3.6 脾气暴躁的1.14 用法 可以为粒子过滤器调整以下参数。 $ python main.py --help usage: main.py [-h] [--window_width WINDOW_WIDTH]

主要介绍了用Q-learning算法实现自动走迷宫机器人的方法示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

void Senser_reading() { int downfront_temp=0,downleft_temp=0,downright_temp=0; int upfront_temp=0,upleft_temp=0,upright_temp=0; int balance_temp=0,balance_right_temp=0; int loop; for(loop=0;loop<100;loop++) { if(IORD_ALTERA_AVALON_PIO_DATA(DOWNFRONT_BASE)) downfront_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(DOWNLEFT_BASE)) downleft_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(DOWNRIGHT_BASE)) downright_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(UPFRONT_BASE)) upfront_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(UPLEFT_BASE)) upleft_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(UPRIGHT_BASE)) upright_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(BALANCE_BASE)) balance_temp++; if(IORD_ALTERA_AVALON_PIO_DATA(BALANCE_RIGHT_BASE)) balance_right_temp++; } switch(downfront_temp)