主要内容

移动机器人算法设计

映射,路径规划,路径跟踪,状态估计

这些机器人系统工具箱™算法专注于移动机器人或地面车辆应用。这些算法可以帮助您完成从映射到规划和控制的整个移动机器人工作流程。您可以使用占用网格创建环境地图,为给定环境中的机器人开发路径规划算法,并调整控制器以遵循一组路点。根据机器人的激光雷达传感器数据执行状态估计。

功能

全部展开

binaryOccupancyMap 用二进制值创建占用网格
getOccupancy 获取位置的占用值
膨胀 膨胀每个被占用的网格位置
移动 在世界框架中移动地图
occupancyMatrix 将占用网格转换为矩阵
raycast 沿一条射线计算单元格索引
lidarScan 创建用于存储二维激光雷达扫描的对象
情节 显示激光或激光雷达扫描读数
removeInvalidData 删除无效的范围和角度数据
transformScan 基于相对位姿变换激光扫描
stateEstimatorPF 创建粒子滤波状态估计器
初始化 初始化粒子过滤器的状态
预测 预测机器人在下一个时间步的状态
正确的 根据传感器测量调整状态估计
getStateEstimate 从粒子中提取最佳状态估计和协方差
mobileRobotPRM 创建概率路线图路径规划器
findpath 在路线图上找到起点和目标点之间的路径
controllerPurePursuit 创建控制器以遵循一组路径点
ackermannKinematics 类似汽车的方向盘模型
bicycleKinematics 自行车车辆模型
differentialDriveKinematics 差速驱动车型
unicycleKinematics 独轮车模型

Ackermann运动学模型 用Ackermann运动学模型求解类车车辆运动
自行车运动学模型 利用自行车运动学模型计算类车运动
差动传动运动学模型 利用差动驱动运动学模型计算车辆运动
独轮车运动学模型 利用独轮车运动学模型计算车辆运动
单纯的追求 线速度和角速度控制命令

主题

映射和路径规划

占用网格

详细的占用网格功能和地图结构。

概率路线图(PRM)

PRM算法的工作原理和具体的调优参数。

不同复杂环境下的路径规划

这个例子演示了如何使用Probabilistic Roadmap (PRM)路径规划器计算给定地图上两个位置之间的无障碍路径。

已知姿势的映射

这个例子展示了如何使用距离传感器读数和机器人姿势为差动驱动机器人创建环境地图。

基于Simulink的差动驱动机器人路径规划金宝app

这个例子演示了如何在给定地图上的两个位置之间执行无障碍路径。金宝app

运动建模

移动机器人运动学方程

了解有关移动机器人运动学方程的详细信息,包括独轮车,自行车,差动驱动和阿克曼模型。

移动机器人不同运动模型的仿真

这个例子展示了如何在一个环境中建模不同的机器人运动学模型并对它们进行比较。

机器人控制

纯追击控制器

纯追求控制器的功能和算法的细节。

差动驱动机器人的路径跟踪

这个例子演示了如何使用机器人模拟器控制机器人遵循所需的路径。

用Simulink控制凉亭差动驱动机器人金宝app

这个例子展示了如何使用Simulink在Gazebo联合仿真中控制差动驱动机器人。金宝app

状态估计

粒子滤波参数

要使用stateEstimatorPF粒子滤波时,必须指定粒子个数、初始粒子位置、状态估计方法等参数。

粒子滤波工作流程

粒子滤波器是一种递归的贝叶斯状态估计器,它使用离散粒子来近似估计状态的后验分布。

使用粒子过滤器跟踪汽车机器人

粒子滤波是一种基于采样的递归贝叶斯估计算法stateEstimatorPF对象。

特色的例子