MATLAB R2019b机器人有什么新功能?

发布的塞巴斯蒂安卡斯特罗，2019年9月25日

57次(过去30天 0喜欢| 2评论

在MATLAB R2019b中，有主要的产品更新和新的工具箱。你可以看看发布说明但这个博客有我发现的最令人兴奋的功能，并且与机器人和自主系统相关。

机器人仿真

机器人系统工具箱为不同类型的机器人保留一系列专门的建模和仿真工具。它专注于提供低保真机器人模型，其中低级控制代表了一个现实系统，因此您可以快速测试运动规划，任务规划和行为的更高级别算法。此外，还有更详细的分析工具，为低级控制设计工作流提供支持。金宝app

操纵器

现在有一个商业机器人模型库,低保真联合空间和工作空间捕获常见闭环控制策略行为的运动模型碰撞检测在简单的形状或网状物之间。所有这些都与在机器人系统工具箱的先前版本中已存在的动力学和动态分析和轨迹规划集成。

一定要检查新的机器人机械手的例子，范围从基本轨迹规划来完整的挑选任务规划．

地面车辆/移动机器人

对于移动机器人，有新的低保真运动运动模型适用于不同类型的移动平台——最常见的是差动驱动和类似汽车的车辆。这些模型可以与导航工具箱中包含的传感器模型和路径规划器(详见下一节)连接，以实现自主导航算法的原型。它们还可以用于设计基于模型的路径规划器和跟踪器，例如模型预测控制．

一定要看看新的仓库机器人的例子，从单个机器人的基本路径规划来一群机器人的任务规划和协调．

露台Cosimulation

现在，Simulink和Simulink之间的直接接口金宝app凉亭模拟器．

过去我们已经能够通过ROS连接到Gazebo，但现在有了直接的接口，Simulink模型可以驱动Gazebo世界的执行，所以两种工具的动态总是同步的。金宝app这将使您能够使用Simulink进行设计金宝app控制算法而获得合成传感器数据(例如图像和激光雷达)。

我对这项技术的个人最喜欢的应用是培训加强学习（RL）代理商，这通常需要一次行动步骤，以导致下一次步骤的观察。以下是我在培训模拟的尝试Kinova Gen3机器人手臂将夹持器放在物体附近使用深度确定性策略梯度(DDPG)算法．通过凉亭作为我的环境，观察输入包括来自扶手架相机的图像，因此我可以基于培训代理卷积神经网络．

了解有关下面的机器人系统工具箱的更多信息。

导航与运动规划

各种类型的平台都存在对自主导航技术的需求，无论是移动机器人，机械手，人形，自驾驾车还是任何其他自主车辆（空气，空间，陆地，水或其他方式）。

导航工具箱包含一个算法堆栈，它跨越任何通用系统的导航工作流。这个工作流大致可以分为本地化和映射（和组合的猛击），路径规划,路径跟随（包括避免障碍物）。此版本最重要的更新是在映射和路径规划中，但我会鼓励您浏览导航工具箱文档页所以你可以看到所有可用的。

主要的新映射特性是自我中心的入住率地图，亦称当地的地图．基于机器人坐标框架，Egocentric Maps通常是基于机器人坐标帧的较小区域（与完整的全局地图相比）。这些地图旨在有效地使用机器人的周围环境。虽然全球地图用于开始到目标路径规划，但是当地地图通常在路径之后的路径中存在，例如路径校正或障碍物避免。

左:一个模拟机器人沿着全球占用地图规划的路径行走。[右]模拟机器人的激光雷达扫描生成的以自我为中心的占用地图。

还有一个新的例子利用激光雷达点云进行三维SLAM它展示了如何将三维占用图和姿态图后端与MATLAB中的点云处理能力结合起来。

导航工具箱包含基于采样的路径规划器，例如混合一个*和快速探索随机树．不像概率路线图（PRM）这些新规划者已经存在的计划者已经存在非完整的约束-简单地说，他们可以取样与真实系统约束一致的运动，如汽车机器人的最小转弯半径，或多连杆机器人的无碰撞配置。

[左]限定转弯半径的类车路径规划，RRT*[右]混合动力A*计划一种类似汽车的自动泊车机动

关于导航工具箱的令人兴奋的事情（对我来说）是，它的路径规划基础设施已经设计为初学者和开发人员。虽然将有一些内置公用事业的常见问题（如图2D汽车类似车辆的路径规划），但整个状态空间，状态验证器和规划者都是可定制的。包含一些示例，如图所示，例如a著名的“钢琴搬运者的问题”的变奏和基于RRT的碰撞感知机械手运动规划．