<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FRIGIDWINTER的博客]]></title><description><![CDATA[深度学习、ROS机器人相关技术分享]]></description><link>https://blog.csdn.net/FRIGIDWINTER</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; FRIGIDWINTER]]></copyright><item><title><![CDATA[深度强化学习 | 基于Double DQN算法的移动机器人路径规划(附Pytorch实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/159355538</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/159355538</guid><author>FRIGIDWINTER</author><pubDate>Mon, 23 Mar 2026 09:11:00 +0800</pubDate><description><![CDATA[本文介绍了基于Double DQN(DDQN)算法的机器人路径规划方法，该方法设计了包含6种离散速度组合的动作空间，并采用多目标混合奖励函数，结合时间惩罚、距离引导和目标达成奖励来优化路径规划效果。Pytorch仿真结果表明了DDQN算法在大规模栅格地图中规划的可行性，为DRL在机器人运动规划领域的应用提供了实践参考。]]></description><category></category></item><item><title><![CDATA[轨迹优化 | 微分动态规划DDP与迭代线性二次型调节器iLQR理论推导]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/157101219</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/157101219</guid><author>FRIGIDWINTER</author><pubDate>Mon, 19 Jan 2026 09:48:23 +0800</pubDate><description><![CDATA[微分动态规划DDP与迭代二次型调节器iLQR是非线性轨迹优化中最常用的一类算法。本文从贝尔曼最优性原理出发，详细推导DDP与iLQR的算法脉络，并总结其正向反向传播的迭代过程]]></description><category></category></item><item><title><![CDATA[运动规划实战案例 | 基于采样的MPC控制(MPPI)算法(附ROS C++/Python仿真)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/156580060</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/156580060</guid><author>FRIGIDWINTER</author><pubDate>Mon, 05 Jan 2026 09:32:54 +0800</pubDate><description><![CDATA[基于采样的模型预测控制不需要显式的梯度计算和传播，而是通过大量采样来近似系统动态和代价模型，为最优控制提供了新的解决思路。本文介绍其中代表性算法MPPI的数学原理，并提供ROS C++和Python仿真加深理解]]></description><category></category></item><item><title><![CDATA[运动规划实战案例 | 基于ROS的机器人智能任务调度仿真平台]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/155716120</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/155716120</guid><author>FRIGIDWINTER</author><pubDate>Tue, 09 Dec 2025 09:26:41 +0800</pubDate><description><![CDATA[本文介绍基于ROS的机器人智能任务调度仿真平台，轻量化地实现了调度、规划、控制等多种功能，同时框架保证了功能的高度可拓展和可定制]]></description><category></category></item><item><title><![CDATA[深度强化学习 | 基于PPO算法的移动机器人路径跟踪(附Pytorch实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/155428474</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/155428474</guid><author>FRIGIDWINTER</author><pubDate>Mon, 01 Dec 2025 09:16:40 +0800</pubDate><description><![CDATA[本文介绍了基于近端策略优化（PPO）算法的机器人路径跟踪方法，阐述了PPO的网络设计、动作空间构建和奖励函数设计，并基于Pytorch实现了移动机器人路径跟踪，为DRL在机器人运动规划中的应用提供了实践参考。]]></description><category></category></item><item><title><![CDATA[基于Proto3和单例模式的系统参数配置模块设计(附C++案例实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/155203502</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/155203502</guid><author>FRIGIDWINTER</author><pubDate>Wed, 26 Nov 2025 10:28:36 +0800</pubDate><description><![CDATA[Proto3是Google开发的高效二进制序列化协议，通过紧凑编码、强类型约束和跨语言支持，成为高吞吐、低延迟场景的主流选择。本文介绍Proto3基础语法，并基于单例设计模式和Proto3设计系统参数配置模块，提供CMakeLists和C++案例]]></description><category></category></item><item><title><![CDATA[轨迹优化 | 基于最优控制的运动学约束路径平滑与粗轨迹生成(附ROS C++/Python实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/154918906</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/154918906</guid><author>FRIGIDWINTER</author><pubDate>Mon, 17 Nov 2025 09:14:51 +0800</pubDate><description><![CDATA[基于最优控制的粗轨迹生成模块主要用于将上游规划的离散路径点转为连续的符合运动学约束的轨迹，其核心原理是离线计算反馈增益并在线递推状态曲线，生成轨迹曲率和航向角连续的特性有利于进一步的轨迹优化]]></description><category></category></item><item><title><![CDATA[无人船 | 图解基于MPC控制的路径跟踪算法(以全驱动无人艇WAMV为例)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/154619731</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/154619731</guid><author>FRIGIDWINTER</author><pubDate>Mon, 10 Nov 2025 10:21:20 +0800</pubDate><description><![CDATA[本文详细推导模型预测控制原理，以及基于全驱动无人艇WAMV的MPC算法，并进行仿真验证]]></description><category></category></item><item><title><![CDATA[自动驾驶运动规划 | 基于自行车模型的运动学模型和横向动力学模型详细推导图解]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/154310953</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/154310953</guid><author>FRIGIDWINTER</author><pubDate>Mon, 03 Nov 2025 09:17:49 +0800</pubDate><description><![CDATA[本文基于自行车模型，结合清晰的图解，详细推导车辆运动学和横向动力学模型公式，是自动驾驶运动规划的基础]]></description><category></category></item><item><title><![CDATA[深度强化学习 | 详解从信赖域策略优化(TRPO)到近端策略优化(PPO)算法原理]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/151689994</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/151689994</guid><author>FRIGIDWINTER</author><pubDate>Mon, 27 Oct 2025 10:15:44 +0800</pubDate><description><![CDATA[本文详细探讨了深度强化学习中经典的信赖域策略优化(TRPO)算法原理——目标函数、约束条件与优化策略，并引出近端策略优化（PPO）算法，详细公式推导加深理解]]></description><category></category></item><item><title><![CDATA[合合信息亮相PRCV：多模态文本智能与内容安全双擎驱动新突破]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/153533950</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/153533950</guid><author>FRIGIDWINTER</author><pubDate>Wed, 22 Oct 2025 09:11:37 +0800</pubDate><description><![CDATA[PRCV2025，合合信息带来了多模态文本智能技术和AI内容安全的最新落地实践，感兴趣的同学快来看看吧~]]></description><category></category></item><item><title><![CDATA[ONNXRuntime(CUDA版本)源码编译安装与C++部署Pytorch模型教程]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/153280123</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/153280123</guid><author>FRIGIDWINTER</author><pubDate>Wed, 15 Oct 2025 15:14:53 +0800</pubDate><description><![CDATA[ONNXRuntime是一个跨平台的机器学习推理引擎，支持将不同框架训练的模型部署到多种硬件设备。文章首详细说明了编译安装步骤，并以SAC算法为例讲解Pytorch导出模型，并用C++部署调用的案例。]]></description><category></category></item><item><title><![CDATA[深度强化学习 | 基于SAC算法的动态避障(ROS C++仿真)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/153143534</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/153143534</guid><author>FRIGIDWINTER</author><pubDate>Mon, 13 Oct 2025 09:14:58 +0800</pubDate><description><![CDATA[本文介绍了基于SAC（软性演员-评论家）算法的机器人运动规划方法，通过PyTorch框架实现了端到端训练，并部署到Python和ROS C++中。实验结果显示，基于SAC算法的智能体在动态避障任务中表现良好，能实现从起点到终点的无碰撞导航。]]></description><category></category></item><item><title><![CDATA[无人机 | MAVROS安装与基础知识梳理(附ROS C++仿真案例)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/150293187</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/150293187</guid><author>FRIGIDWINTER</author><pubDate>Tue, 23 Sep 2025 09:16:29 +0800</pubDate><description><![CDATA[本文全面梳理无人机MAVROS从安装到应用的基础知识，并提供简单的基于MAVROS无人机控制的案例]]></description><category></category></item><item><title><![CDATA[深度强化学习 | 基于DDPG算法的移动机器人路径跟踪(附Pytorch实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/151297199</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/151297199</guid><author>FRIGIDWINTER</author><pubDate>Mon, 08 Sep 2025 09:29:51 +0800</pubDate><description><![CDATA[本文介绍了基于深度确定性策略梯度（DDPG）算法的机器人路径跟踪方法。DDPG算法通过Actor网络建模确定性策略，Critic网络评估动作-价值函数，适用于连续动作空间。文章详细阐述了DDPG的网络设计、动作空间构建和奖励函数设计，并基于Pytorch实现了移动机器人路径跟踪，为DRL在机器人运动规划中的应用提供了实践参考。]]></description><category></category></item><item><title><![CDATA[运动规划实战案例 | 基于行人社交模型的移动机器人动态避障(附ROS C++仿真)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/151051312</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/151051312</guid><author>FRIGIDWINTER</author><pubDate>Mon, 01 Sep 2025 09:04:29 +0800</pubDate><description><![CDATA[区别于普通的动态障碍，行人的行为及其社交空间内包含丰富的社交信号。本文聚焦于社会规范化导航中的舒适性指标，基于行人社交空间模型建模移动机器人的动态避障策略，提供ROS C++仿真加深理解]]></description><category></category></item><item><title><![CDATA[轨迹优化 | 基于边界值问题(BVP)的无约束路径平滑(附ROS C++/Python仿真)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/150474184</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/150474184</guid><author>FRIGIDWINTER</author><pubDate>Mon, 18 Aug 2025 09:10:12 +0800</pubDate><description><![CDATA[将BIVP的中间值约束移除将得到更特殊的边界值问题(Boundary Value Problem, BVP)，并可以推导出求解矩阵的具体形式，在单点轨迹优化问题中应用广泛。本文详细推导BVP建模的原理，并将其用于路径平滑任务上，通过ROS C++/Python仿真实现加深理解]]></description><category></category></item><item><title><![CDATA[运动规划实战案例 | 基于多源流场(Flow Field)的路径规划(附ROS C++/Python实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/150163264</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/150163264</guid><author>FRIGIDWINTER</author><pubDate>Mon, 11 Aug 2025 08:59:27 +0800</pubDate><description><![CDATA[多源流场路径规划方法通过构建全局流动信息场，可以为多目标点任务提供启发式函数，也可以生成用于轨迹优化的梯度场。本文详细介绍多源流场生成算法，以及基于流场的路径规划，并提供ROS C++/Python仿真加深理解]]></description><category></category></item><item><title><![CDATA[无人船 | 图解基于LQR控制的路径跟踪算法(以欠驱动无人艇Otter为例)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/149788241</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/149788241</guid><author>FRIGIDWINTER</author><pubDate>Thu, 31 Jul 2025 09:06:07 +0800</pubDate><description><![CDATA[若系统动力学特性可以用一组线性微分方程表示，且性能指标为状态变量和控制变量的二次型函数，则此类最优控制问题称为线性二次型问题。LQR是求解线性二次型问题常用的求解方法之一。本文详细推导离散黎卡提迭代方程，以及欠驱动无人艇Otter的LQR算法，并进行仿真验证]]></description><category></category></item><item><title><![CDATA[数值计算 | 图解基于龙格库塔法的微分方程计算与连续系统离散化(附Python实现)]]></title><link>https://blog.csdn.net/FRIGIDWINTER/article/details/149697398</link><guid>https://blog.csdn.net/FRIGIDWINTER/article/details/149697398</guid><author>FRIGIDWINTER</author><pubDate>Mon, 28 Jul 2025 09:10:36 +0800</pubDate><description><![CDATA[为了进行一阶微分方程的数值计算，本文从欧拉法出发，逐步引出龙格库塔法，详细推导连续系统离散化的常用技术和误差精度，这些方法在运动规划轨迹优化中具有重要应用价值，为高阶算法实现提供了理论基础。]]></description><category></category></item></channel></rss>