當(dāng)前位置：首頁(yè) > 编程语言 > python >内容正文

python

python画心形代码大全_Python代码合集看点机器人算法、自动导航算法算法大全...

發(fā)布時(shí)間：2023/12/20 python 27 豆豆

生活随笔收集整理的這篇文章主要介紹了 python画心形代码大全_Python代码合集看点机器人算法、自动导航算法算法大全... 小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

導(dǎo)讀：本文包含機(jī)器人算法、自動(dòng)導(dǎo)航算法的Python代碼合集。其主要特點(diǎn)有以下三點(diǎn)：選擇了在實(shí)踐中廣泛應(yīng)用的算法；依賴最少、容易閱讀，容易理解每個(gè)算法的基本思想。希望閱讀本文后能對(duì)你有所幫助。文章來(lái)源：圖靈人工智能。

引? 文

環(huán)境需求怎樣使用本地化

擴(kuò)展卡爾曼濾波本地化
無(wú)損卡爾曼濾波本地化
粒子濾波本地化
直方圖濾波本地化

映射

高斯網(wǎng)格映射
光線投射網(wǎng)格映射
k均值物體聚類
圓形擬合物體形狀識(shí)別

SLAM

迭代最近點(diǎn)匹配
EKF SLAM
FastSLAM 1.0
FastSLAM 2.0
基于圖的SLAM

路徑規(guī)劃

動(dòng)態(tài)窗口方式
基于網(wǎng)格的搜索

迪杰斯特拉算法
A*算法
勢(shì)場(chǎng)算法

模型預(yù)測(cè)路徑生成

路徑優(yōu)化示例
查找表生成示例

狀態(tài)晶格規(guī)劃

均勻極性采樣(Uniform polar sampling)
偏差極性采樣(Biased polar sampling)
路線采樣(Lane sampling)

隨機(jī)路徑圖(PRM)規(guī)劃
Voronoi路徑圖規(guī)劃
快速搜索隨機(jī)樹(shù)(RRT)

基本RRT
RRT*
基于Dubins路徑的RRT
基于Dubins路徑的RRT*
基于reeds-shepp路徑的RRT*
Informed RRT*
批量Informed RRT*

三次樣條規(guī)劃
B樣條規(guī)劃
貝濟(jì)埃路徑規(guī)劃
五次多項(xiàng)式規(guī)劃
Dubins路徑規(guī)劃
Reeds Shepp路徑規(guī)劃
基于LQR的路徑規(guī)劃
Frenet Frame中的最優(yōu)路徑

路徑跟蹤

純追跡跟蹤
史坦利控制
后輪反饋控制
線性二次regulator(LQR)轉(zhuǎn)向控制
線性二次regulator(LQR)轉(zhuǎn)向和速度控制

項(xiàng)目支持

環(huán)境需求

Python 3.6.x
numpy
scipy
matplotlib
pandas
cvxpy 0.4.x

怎樣使用

1、安裝必要的庫(kù)；2、克隆本代碼倉(cāng)庫(kù)；3、執(zhí)行每個(gè)目錄下的python腳本；4、如果你喜歡，則收藏本代碼庫(kù)：)

本地化

擴(kuò)展卡爾曼濾波本地化

該算法利用擴(kuò)展卡爾曼濾波器(Extended Kalman Filter, EKF)實(shí)現(xiàn)傳感器混合本地化。藍(lán)線為真實(shí)路徑，黑線為導(dǎo)航推測(cè)路徑(dead reckoning trajectory)，綠點(diǎn)為位置觀測(cè)(如GPS)，紅線為EKF估算的路徑。紅色橢圓為EKF估算的協(xié)方差。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/

無(wú)損卡爾曼濾波本地化

該算法利用無(wú)損卡爾曼濾波器(Unscented Kalman Filter, UKF)實(shí)現(xiàn)傳感器混合本地化。

線和點(diǎn)的含義與EKF模擬的例子相同。

相關(guān)閱讀：利用無(wú)差別訓(xùn)練過(guò)的無(wú)損卡爾曼濾波進(jìn)行機(jī)器人移動(dòng)本地化https://www.researchgate.net/publication/267963417_Discriminatively_Trained_Unscented_Kalman_Filter_for_Mobile_Robot_Localization

粒子濾波本地化

該算法利用粒子濾波器(Particle Filter, PF)實(shí)現(xiàn)傳感器混合本地化。藍(lán)線為真實(shí)路徑，黑線為導(dǎo)航推測(cè)路徑(dead reckoning trajectory)，綠點(diǎn)為位置觀測(cè)(如GPS)，紅線為PF估算的路徑。該算法假設(shè)機(jī)器人能夠測(cè)量與地標(biāo)(RFID)之間的距離。PF 本地化會(huì)用到該測(cè)量結(jié)果。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/

直方圖濾波本地化

該算法是利用直方圖濾波器(Histogram filter)實(shí)現(xiàn)二維本地化的例子。紅十字是實(shí)際位置，黑點(diǎn)是RFID的位置。藍(lán)色格子是直方圖濾波器的概率位置。在該模擬中，x，y是未知數(shù)，yaw已知。濾波器整合了速度輸入和從 RFID 獲得距離觀測(cè)數(shù)據(jù)進(jìn)行本地化。不需要初始位置。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/

映? ? ? 射

高斯網(wǎng)格映射

本算法是二維高斯網(wǎng)格映射(Gaussian grid mapping)的例子。

光線投射網(wǎng)格映射

本算法是二維光線投射網(wǎng)格映射(Ray casting grid map)的例子。

k均值物體聚類

本算法是使用k均值算法進(jìn)行二維物體聚類的例子。

圓形擬合物體形狀識(shí)別

本算法是使用圓形擬合進(jìn)行物體形狀識(shí)別的例子。

藍(lán)圈是實(shí)際的物體形狀。紅叉是通過(guò)距離傳感器觀測(cè)到的點(diǎn)。紅圈是使用圓形擬合估計(jì)的物體形狀。

SLAM

同時(shí)本地化和映射(Simultaneous Localization and Mapping，SLAM)的例子。

迭代最近點(diǎn)匹配

本算法是使用單值解構(gòu)進(jìn)行二維迭代最近點(diǎn)(Iterative Closest Point，ICP)匹配的例子。

它能計(jì)算從一些點(diǎn)到另一些點(diǎn)的旋轉(zhuǎn)矩陣和平移矩陣。

相關(guān)閱讀：機(jī)器人運(yùn)動(dòng)介紹：迭代最近點(diǎn)算法https://cs.gmu.edu/~kosecka/cs685/cs685-icp.pdf

EKF SLAM

這是基于擴(kuò)展卡爾曼濾波的 SLAM 示例。

藍(lán)線是真實(shí)路徑，黑線是導(dǎo)航推測(cè)路徑，紅線是 EKF SLAM 估計(jì)的路徑。

綠叉是估計(jì)的地標(biāo)。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/

FastSLAM 1.0

這是用 FastSLAM 1.0 進(jìn)行基于特征的 SLAM 的示例。

藍(lán)線是實(shí)際路徑，黑線是導(dǎo)航推測(cè)，紅線是 FastSLAM 的推測(cè)路徑。

紅點(diǎn)是 FastSLAM 中的粒子。

黑點(diǎn)是地標(biāo)，藍(lán)叉是 FastLSAM 估算的地標(biāo)位置。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/

FastSLAM 2.0

這是用FastSLAM 2.0進(jìn)行基于特征的SLAM的示例。

動(dòng)畫(huà)的含義與FastSLAM 1.0的情況相同。

相關(guān)閱讀：概率機(jī)器人學(xué)http://www.probabilistic-robotics.org/Tim Bailey的SLAM模擬http://www-personal.acfr.usyd.edu.au/tbailey/software/slam_simulations.htm

基于圖的SLAM

這是基于圖的 SLAM 的示例。

藍(lán)線是實(shí)際路徑。

黑線是導(dǎo)航推測(cè)路徑。

紅線是基于圖的 SLAM 估算的路徑。

黑星是地標(biāo)，用于生成圖的邊。

相關(guān)閱讀：基于圖的SLAM入門(mén)http://www2.informatik.uni-freiburg.de/~stachnis/pdf/grisetti10titsmag.pdf

路徑規(guī)劃

動(dòng)態(tài)窗口方式

這是使用動(dòng)態(tài)窗口方式(Dynamic Window Approach)進(jìn)行二維導(dǎo)航的示例代碼。

相關(guān)閱讀：用動(dòng)態(tài)窗口方式避免碰撞https://www.ri.cmu.edu/pub_files/pub1/fox_dieter_1997_1/fox_dieter_1997_1.pdf

基于網(wǎng)格的搜索

迪杰斯特拉算法

這是利用迪杰斯特拉(Dijkstra)算法實(shí)現(xiàn)的基于二維網(wǎng)格的最短路徑規(guī)劃。

動(dòng)畫(huà)中青色點(diǎn)為搜索過(guò)的節(jié)點(diǎn)。

A*算法

下面是使用A星算法進(jìn)行基于二維網(wǎng)格的最短路徑規(guī)劃。

動(dòng)畫(huà)中青色點(diǎn)為搜索過(guò)的節(jié)點(diǎn)。啟發(fā)算法為二維歐幾里得距離。

勢(shì)場(chǎng)算法

下面是使用勢(shì)場(chǎng)算法進(jìn)行基于二維網(wǎng)格的路徑規(guī)劃。

動(dòng)畫(huà)中藍(lán)色的熱區(qū)圖顯示了每個(gè)格子的勢(shì)能。

相關(guān)閱讀：機(jī)器人運(yùn)動(dòng)規(guī)劃：勢(shì)能函數(shù)https://www.cs.cmu.edu/~motionplanning/lecture/Chap4-Potential-Field_howie.pdf

模型預(yù)測(cè)路徑生成

下面是模型預(yù)測(cè)路徑生成的路徑優(yōu)化示例。算法用于狀態(tài)晶格規(guī)劃(state lattice planning)。

路徑優(yōu)化示例

查找表生成示例

相關(guān)閱讀：用于帶輪子的機(jī)器人的最優(yōu)不平整地形路徑生成http://journals.sagepub.com/doi/pdf/10.1177/0278364906075328

狀態(tài)晶格規(guī)劃

這個(gè)腳本使用了狀態(tài)晶格規(guī)劃(state lattice planning)實(shí)現(xiàn)路徑規(guī)劃。這段代碼通過(guò)模型預(yù)測(cè)路徑生成來(lái)解決邊界問(wèn)題。

相關(guān)閱讀：用于帶輪子的機(jī)器人的最優(yōu)不平整地形路徑生成http://journals.sagepub.com/doi/pdf/10.1177/0278364906075328用于復(fù)雜環(huán)境下的高性能運(yùn)動(dòng)機(jī)器人導(dǎo)航的可行運(yùn)動(dòng)的狀態(tài)空間采樣http://www.frc.ri.cmu.edu/~alonzo/pubs/papers/JFR_08_SS_Sampling.pdf

均勻極性采樣(Uniform polar sampling)

偏差極性采樣(Biased polar sampling)

路線采樣(Lane sampling)

隨機(jī)路徑圖(PRM)規(guī)劃

這個(gè)隨機(jī)路徑圖(Probabilistic Road-Map，PRM)規(guī)劃算法在圖搜索上采用了迪杰斯特拉方法。動(dòng)畫(huà)中的藍(lán)點(diǎn)為采樣點(diǎn)。青色叉為迪杰斯特拉方法搜索過(guò)的點(diǎn)。紅線為PRM的最終路徑。

相關(guān)閱讀：隨機(jī)路徑圖https://en.wikipedia.org/wiki/Probabilistic_roadmap

Voronoi路徑圖規(guī)劃

這個(gè)Voronoi路徑圖(Probabilistic Road-Map，PRM)規(guī)劃算法在圖搜索上采用了迪杰斯特拉方法。動(dòng)畫(huà)中的藍(lán)點(diǎn)為Voronoi點(diǎn)。青色叉為迪杰斯特拉方法搜索過(guò)的點(diǎn)。紅線為Voronoi路徑圖的最終路徑。

相關(guān)閱讀：機(jī)器人運(yùn)動(dòng)規(guī)劃https://www.cs.cmu.edu/~motionplanning/lecture/Chap5-RoadMap-Methods_howie.pdf

快速搜索隨機(jī)樹(shù)(RRT)

基本RRT

這是個(gè)使用快速搜索隨機(jī)樹(shù)(Rapidly-Exploring Random Trees，RRT)的簡(jiǎn)單路徑規(guī)劃代碼。黑色圓為障礙物，綠線為搜索樹(shù)，紅叉為開(kāi)始位置和目標(biāo)位置。

RRT*

這是使用RRT*的路徑規(guī)劃代碼。黑色圓為障礙物，綠線為搜索樹(shù)，紅叉為開(kāi)始位置和目標(biāo)位置。

相關(guān)閱讀：最優(yōu)運(yùn)動(dòng)規(guī)劃的基于增量采樣的算法https://arxiv.org/abs/1005.0416最優(yōu)運(yùn)動(dòng)規(guī)劃的基于采樣的算法http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.419.5503&rep=rep1&type=pdf

基于 Dubins 路徑的 RRT

為汽車形機(jī)器人提供的使用RRT和dubins路徑規(guī)劃的路徑規(guī)劃算法。

基于Dubins路徑的RRT*

為汽車形機(jī)器人提供的使用RRT*和dubins路徑規(guī)劃的路徑規(guī)劃算法。

基于reeds-shepp路徑的RRT*

為汽車形機(jī)器人提供的使用RRT*和reeds shepp路徑規(guī)劃的路徑規(guī)劃算法。

Informed RRT*

這是使用Informed RRT*的路徑規(guī)劃代碼。青色橢圓為Informed RRT*的啟發(fā)采樣域。

相關(guān)閱讀：Informed RRT*：通過(guò)對(duì)可接受的橢球啟發(fā)的直接采樣實(shí)現(xiàn)最優(yōu)的基于采樣的路徑規(guī)劃https://arxiv.org/pdf/1404.2334.pdf

批量Informed RRT*

這是使用批量Informed RRT*的路徑規(guī)劃代碼。

相關(guān)閱讀：批量Informed樹(shù)(BIT*)：通過(guò)對(duì)隱含隨機(jī)幾何圖形進(jìn)行啟發(fā)式搜索實(shí)現(xiàn)基于采樣的最優(yōu)規(guī)劃https://arxiv.org/abs/1405.5848

閉合回路RRT*

使用閉合回路RRT*(Closed loop RRT*)實(shí)現(xiàn)的基于車輛模型的路徑規(guī)劃。

這段代碼里，轉(zhuǎn)向控制用的是純追跡算法(pure-pursuit algorithm)。速度控制采用了PID。

相關(guān)閱讀：使用閉合回路預(yù)測(cè)在復(fù)雜環(huán)境內(nèi)實(shí)現(xiàn)運(yùn)動(dòng)規(guī)劃http://acl.mit.edu/papers/KuwataGNC08.pdf)應(yīng)用于自動(dòng)城市駕駛的實(shí)時(shí)運(yùn)動(dòng)規(guī)劃http://acl.mit.edu/papers/KuwataTCST09.pdf[1601.06326]采用閉合回路預(yù)測(cè)實(shí)現(xiàn)最優(yōu)運(yùn)動(dòng)規(guī)劃的基于采樣的算法https://arxiv.org/abs/1601.06326

LQR-RRT*

這是個(gè)使用LQR-RRT*的路徑規(guī)劃模擬。LQR局部規(guī)劃采用了雙重積分運(yùn)動(dòng)模型。

相關(guān)閱讀：LQR-RRT*：使用自動(dòng)推導(dǎo)擴(kuò)展啟發(fā)實(shí)現(xiàn)最優(yōu)基于采樣的運(yùn)動(dòng)規(guī)劃http://lis.csail.mit.edu/pubs/perez-icra12.pdfMahanFathi/LQR-RRTstar：LQR-RRT*方法用于單擺相位中的隨機(jī)運(yùn)動(dòng)規(guī)劃https://github.com/MahanFathi/LQR-RRTstar

三次樣條規(guī)劃

這是段三次路徑規(guī)劃的示例代碼。

這段代碼根據(jù)x-y的路點(diǎn)，利用三次樣條生成一段曲率連續(xù)的路徑。

每個(gè)點(diǎn)的指向角度也可以用解析的方式計(jì)算。

B樣條規(guī)劃

這是段使用B樣條曲線進(jìn)行規(guī)劃的例子。輸入路點(diǎn)，它會(huì)利用B樣條生成光滑的路徑。第一個(gè)和最后一個(gè)路點(diǎn)位于最后的路徑上。

相關(guān)閱讀：B樣條https://en.wikipedia.org/wiki/B-spline

Eta^3樣條路徑規(guī)劃

這是使用Eta ^ 3樣條曲線的路徑規(guī)劃。

相關(guān)閱讀：eta^3-Splines for the Smooth Path Generation of Wheeled Mobile Robotshttps://ieeexplore.ieee.org/document/4339545/

貝濟(jì)埃路徑規(guī)劃

貝濟(jì)埃路徑規(guī)劃的示例代碼。根據(jù)四個(gè)控制點(diǎn)生成貝濟(jì)埃路徑。

改變起點(diǎn)和終點(diǎn)的偏移距離，可以生成不同的貝濟(jì)埃路徑：

相關(guān)閱讀：根據(jù)貝濟(jì)埃曲線為自動(dòng)駕駛汽車生成曲率連續(xù)的路徑http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.294.6438&rep=rep1&type=pdf

五次多項(xiàng)式規(guī)劃

利用五次多項(xiàng)式進(jìn)行路徑規(guī)劃。

它能根據(jù)五次多項(xiàng)式計(jì)算二維路徑、速度和加速度。

相關(guān)閱讀：用于Agv In定位的局部路徑規(guī)劃和運(yùn)動(dòng)控制http://ieeexplore.ieee.org/document/637936/

Dubins路徑規(guī)劃

Dubins路徑規(guī)劃的示例代碼。

相關(guān)閱讀：Dubins路徑https://en.wikipedia.org/wiki/Dubins_path

Reeds Shepp路徑規(guī)劃

Reeds Shepp路徑規(guī)劃的示例代碼。

相關(guān)閱讀：15.3.2 Reeds-Shepp曲線http://planning.cs.uiuc.edu/node822.html用于能前進(jìn)和后退的汽車的最優(yōu)路徑https://pdfs.semanticscholar.org/932e/c495b1d0018fd59dee12a0bf74434fac7af4.pdfghliu/pyReedsShepp：實(shí)現(xiàn)Reeds Shepp曲線https://github.com/ghliu/pyReedsShepp

基于LQR的路徑規(guī)劃

為雙重積分模型使用基于LQR的路徑規(guī)劃的示例代碼。

Frenet Frame中的最優(yōu)路徑

這段代碼在Frenet Frame中生成最優(yōu)路徑。青色線為目標(biāo)路徑，黑色叉為障礙物。紅色線為預(yù)測(cè)的路徑。

相關(guān)閱讀：Frenet Frame中的動(dòng)態(tài)接到場(chǎng)景中的最優(yōu)路徑生成https://www.researchgate.net/profile/Moritz_Werling/publication/224156269_Optimal_Trajectory_Generation_for_Dynamic_Street_Scenarios_in_a_Frenet_Frame/links/54f749df0cf210398e9277af.pdfFrenet Frame中的動(dòng)態(tài)接到場(chǎng)景中的最優(yōu)路徑生成https://www.youtube.com/watch?v=Cj6tAQe7UCY

路徑跟蹤

姿勢(shì)控制跟蹤

這是姿勢(shì)控制跟蹤的模擬。

相關(guān)閱讀：Robotics, Vision and Control - Fundamental Algorithms In MATLAB? Second, Completely Revised, Extended And Updated Edition | Peter Corke | Springerhttps://www.springer.com/us/book/9783319544120

純追跡跟蹤

使用純追跡(pure pursuit)轉(zhuǎn)向控制和PID速度控制的路徑跟蹤模擬。

紅線為目標(biāo)路線，綠叉為純追跡控制的目標(biāo)點(diǎn)，藍(lán)線為跟蹤路線。

相關(guān)閱讀：城市中的自動(dòng)駕駛汽車的運(yùn)動(dòng)規(guī)劃和控制技術(shù)的調(diào)查https://arxiv.org/abs/1604.07446

史坦利控制

使用史坦利(Stanley)轉(zhuǎn)向控制和PID速度控制的路徑跟蹤模擬。

相關(guān)閱讀：

史坦利：贏得DARPA大獎(jiǎng)賽的機(jī)器人

http://robots.stanford.edu/papers/thrun.stanley05.pdf

用于自動(dòng)駕駛機(jī)動(dòng)車路徑跟蹤的自動(dòng)轉(zhuǎn)向方法

https://www.ri.cmu.edu/pub_files/2009/2/Automatic_Steering_Methods_for_Autonomous_Automobile_Path_Tracking.pdf

后輪反饋控制

利用后輪反饋轉(zhuǎn)向控制和PID速度控制的路徑跟蹤模擬。

相關(guān)閱讀：城市中的自動(dòng)駕駛汽車的運(yùn)動(dòng)規(guī)劃和控制技術(shù)的調(diào)查https://arxiv.org/abs/1604.07446

線性二次regulator(LQR)轉(zhuǎn)向控制

使用LQR轉(zhuǎn)向控制和PID速度控制的路徑跟蹤模擬。

相關(guān)閱讀：ApolloAuto/apollo：開(kāi)源自動(dòng)駕駛平臺(tái)https://github.com/ApolloAuto/apollo

線性二次regulator(LQR)轉(zhuǎn)向和速度控制

使用LQR轉(zhuǎn)向和速度控制的路徑跟蹤模擬。

相關(guān)閱讀：完全自動(dòng)駕駛：系統(tǒng)和算法 - IEEE會(huì)議出版物http://ieeexplore.ieee.org/document/5940562/

模型預(yù)測(cè)速度和轉(zhuǎn)向控制

使用迭代線性模型預(yù)測(cè)轉(zhuǎn)向和速度控制的路徑跟蹤模擬。

這段代碼使用了cxvxpy作為最優(yōu)建模工具。

相關(guān)閱讀：車輛動(dòng)態(tài)和控制 | Rajesh Rajamani | Springer?http://www.springer.com/us/book/9781461414322MPC課程資料 - MPC Lab @ UC-Berkeley?http://www.mpc.berkeley.edu/mpc-course-material

項(xiàng)目支持

可以通過(guò)Patreon對(duì)該項(xiàng)目進(jìn)行經(jīng)濟(jì)支持。如果你在Patreon上支持該項(xiàng)目，則可以得到關(guān)于本項(xiàng)目代碼的郵件技術(shù)支持。本文作者包括有Atsushi Sakai (@Atsushi_twi)，Daniel Ingram，Joe Dinius，Karan Chawla，Antonin RAFFIN，Alexis Paques。原文：https://atsushisakai.github.io/PythonRobotics/#what-is-this

聲?明：本欄目信息來(lái)源及內(nèi)容僅作為學(xué)術(shù)課題研究、技術(shù)交流等用途，不作為商業(yè)用途；文章觀點(diǎn)僅供分享交流，不代表本公眾號(hào)的立場(chǎng)，轉(zhuǎn)載請(qǐng)注明出處，如涉及版權(quán)等問(wèn)題，請(qǐng)您告知gdbdmiotii@126.com，我們將及時(shí)溝通處理。