主要内容

移动机器人算法设计

映射,路径规划,路径跟随,状态估计

这些机器人系统的工具箱™算法专注于移动机器人或地面车辆应用。这些算法可帮助您使用整个移动机器人工作流程从映射到规划和控制。您可以使用占用网格创建环境的地图,在给定环境中开发用于机器人的路径规划算法,以及调整控制器遵循一组航点。根据机器人的LIDAR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
getOc​​upancy. 获取位置的占用值
膨胀 膨胀每个占据的网格位置
移动 在世界框架中移动地图
occupancyMatrix 将占用网格转换为矩阵
raycast 沿着射线计算单元格指数
Lidarscan. 创建存储2-D激光雷达扫描的对象
情节 显示激光或激光扫描读数
removeInvalidData 移除无效的距离和角度数据
变形扇 基于相对位姿的激光扫描变换
stateEstimatorPF 创建粒子滤波器状态估计器
初始化 初始化粒子滤波器的状态
预测 预测机器人在下一时刻的状态
正确的 调整基于传感器测量的状态估计
GetStateState 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 在路线图上查找开始和目标点之间的路径
ControllePurePuRsuit. 创建控制器以遵循一组路径点
Ackermannkwematics. 汽车般的转向车型
骑自行车的kematics. 自行车车型
differentialDriveKinematics 差动式驱动车辆模型
unicycleKinematics 单轮脚踏车车型

阿克曼运动学模型 使用Ackermann运动模型的汽车状车辆运动
自行车运动模型 使用自行车运动模型计算汽车样车辆运动
差动驱动运动学模型 利用差动驱动运动学模型计算车辆运动
独轮车运动模型 利用独轮车运动学模型计算车辆运动
纯粹的追求 线性和角速度控制命令

主题

映射与路径规划

占用网格

详细的入住率网格功能和地图结构。

概率路线图(人口、难民和移民事务局)

PRM算法如何运行和特定的调整参数。

不同复杂性环境下的路径规划

这个例子演示了如何使用概率路线图(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。

用已知的姿势映射

这个例子展示了如何使用距离传感器读数和差动驱动机器人的机器人姿态来创建环境地图。

Simulink中差分驱动机器人的计划路径金宝app

这个例子演示了如何在Simulink®中执行给定地图上的两个位置之间的无障碍路径。金宝app

运动建模

移动机器人运动学方程

了解移动机器人运动学方程的细节,包括独轮车,自行车,差速器,和阿克曼模型。

模拟移动机器人的不同运动模型

这个例子展示了如何在一个环境中建立不同的机器人运动学模型并进行比较。

机器人控制

纯追求控制器

纯追求控制器功能和算法详细信息。

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来控制机器人沿着期望的路径前进。

用Simulink控制凉亭差动驱动机器人金宝app

此示例显示如何使用Simulink控制Gazebo共模中的差分驱动机器人。金宝app

国家估计数

粒子滤波参数

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

粒子过滤器工作流程

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一个汽车机器人

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

特色的例子