- 博客(14)
- 收藏
- 关注
RSS订阅原创 路径规划应用之离散域范围内的最短路径规划问题
（3）从最短路径规划的角度看，这一类问题的特点大同小异，都是在已知路径信息(节点数，路径参数信息，拓扑结构等)情况下，从已知起始节点到目标节点的最优路径路径规划问题，路径信息多为静态信息，即使有信息变动，智能算法也有足够的能力进行及时的应变规划。路径规划的应用领域非常广泛，如：机器人机械臂的路径规划、飞行器航迹规划、巡航导弹路径规划、旅行商问题（TSP）以及其衍生的各种车辆（VRP）路径规划、虚拟装配路径规划、基于道路网的路径规划、电子地图GPS导航路径搜索与规划、路由问题等。、Fallback算法等。
2023-07-17 12:34:16
176
1
原创 路径规划算法之智能仿生学算法
（Ant Colony Algorithm简称ACA）的思想来自于对蚁群觅食行为的探索，每个蚂蚁觅食时都会在走过的道路上留下一定浓度的信息素，相同时间内最短的路径上由于蚂蚁遍历的次数多而信息素浓度高，加上后来的蚂蚁在选择路径时会以信息素浓度为依据，起到正反馈作用，因此信息素浓度高的最短路径很快就会被发现。尽管神经网络具有优秀的学习能力，但是泛化能力差是其致命缺点。最大的优点是易于与其他算法相结合，并充分发挥自身迭代的优势，缺点是运算效率不高，不如蚁群算法有先天优势，但其改进算法也是研究的热点。
2023-07-17 11:19:06
537
1
原创 路径规划算法之图形学的方法
它是用一些被称为元素的基本图形来划分空间，以每两点间的中垂线来确定元素的边，最终把整个空间划分成结构紧凑的voronoi图，而后运用算法对多边形的边所构成的路径网进行最优搜索。（2）自由空间法针对可视图法应变性差的缺陷，采用预先定义的基本形状（如广义锥形，凸多边形等）构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来进行路径规划。传统算法在解决实际问题时往往存在着建模难的问题，图形学的方法则提供了建模的基本方法，但是图形学的方法普遍存在着搜索能力的不足，往往需要结合专门的搜索算法。
2023-07-17 11:18:31
529
1
原创 路径规划常用算法之传统算法
（3）模糊逻辑算法网模拟驾驶员的驾驶经验，将生理上的感知和动作结合起来，根据系统实时的传感器信息，通过查表得到规划信息，从而实现路径规划。优点是规划出来的路径平滑安全、描述简单等，但是存在局部最优的问题，引力场的设计是算法能否成功应用的关键。根据对各领域常用路径规划算法的研究，按照各种算法发现先后时序及算法基本原理，将算法大致分为四类:传统算法、图形学的方法、智能仿生学算法和其他算法。通过引入一个灵活的存储结构和相应的晋级规则来避免与会搜索，并通过藐视准则来赦免一些被紧急的优良状态，以实现全局优化。
2023-07-17 11:17:51
951
1
原创 路径规划基本步骤
环境建模是路径规划的重要环节，目的是建立一个便于计算机进行路径规划所使用的环境模型，即将实际的物理空间抽象成算法能够处理的抽象空间，实现相互间的映射。通过相应算法搜索出的路径并不一定是一条运动体可以行走的可行路径，需要作进一步处理与平滑才能使其成为一条实际可行的路径。一般的连续域范围内路径规划问题，如机器人、飞行器等的动态路径规划问题，其一般步骤主要包括环境建模、路径搜索、路径平滑三个环节。对于离散域范围内的路径规划问题，或者在环境建模或路径搜索前已经做好路径可行性分析的问题，路径平滑环节可以省去。
2023-07-17 11:17:05
454
1
原创 路径规划基本分类
根据对环境信息的把握程度可把路径规划划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。其中，从获取障碍物信息是静态或是动态的角度看，全局路径规划属于静态规划(又称离线规划)，局部路径规划属于动态规划(又称在线规划)。局部路径规划只需要由传感器实时采集环境信息，了解环境地图信息，然后确定出所在地图的位置及其局部的障碍物分布情况，从而可以选出从当前结点到某一子目标结点的最优路径。根据所研究环境的信息特点，路径规划还可分为离散域范围内的路径规划问题和连续域范围内的路径规划问题。
2023-07-17 11:16:16
817
1
原创 路径规划简介
在决策管理领域的应用有：物流管理中的车辆问题(VRP)及类似的资源管理资源配置问题。通信技术领域的路由问题等。凡是可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成，连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称之为路径规划。路径规划在很多领域都具有广泛的应用。在高新科技领域的应用有：机器人的自主无碰行动；无人机的避障突防飞行；躲避雷达搜索、防反弹袭击、完成突防爆破任务等。基于GIS系统的道路规划;
2023-07-17 11:15:34
97
1
原创 slam基本原理
这儿我用一个不算非常恰当但非常简单的例子帮助初学者对同时定位制图的计算原理有一个直观的了解。请参考上面basic_idea.png的图。假设黑圆圈是一辆小车，方块A是环境中一个固定的点。小车从位置B运动到了位置C。小车在位置B时通过某种传感器测得A的位置是距离米，同时通过传感器和一些小的计算能知道AB和B运动方向之间的夹角即。运动到位置C后测得A的位置距离它是米，同样可以知道。这时候如果B点的坐标是，那三角形知道两边两角你能不能算第三边呢？其实不仅我们可以通过测A和小车之间的距离最终了解的长度，我们当然
2023-07-17 11:14:35
120
1
原创 slam简介
定位的概念很好理解，如果一个机器人来到陌生的环境，它需要知道自己在哪儿，数学上来说就是知道自己的坐标，机器人如果在移动，就需要时刻的坐标更新。打个比方，你和父母一起出游，结果走散了，你给父母打电话，他们问你在哪儿，这时候你需要定位了(咳咳假设你不能直接发定位给他们)，你告诉他们:"我在xx路上，后面有一个xx楼，上面写着xxx。如果你告诉父母:"我在xx路上，前面是xx，后面是xx，左边是xx，右边是xx，斜前方是xx，斜后方是xx....."总之你把你周围的一切东西都描述了出来，这就就是稠密建图。
2023-07-17 11:13:06
102
1
原创 计算机视觉和slam区别
由上我们可以看到slam是一个十分具体的任务，在这个任务中会用到计算机视觉的相关知识如：三维重建，双目视觉等。但是，它不仅仅只有计算机视觉的内容，它还必须自主进行探索，因此还涉及到其他内容如控制算法。我们构建这样一个场景：将一个机器人放在未知环境中，是否有办法让机器人一边走一边描绘出此环境的地图，同时让机器人可以知道下一步往哪个方向走。（1）使用双目摄像机扫描周围的事物，如地表，大树，建筑等，并抽取建筑物的相关特征。（3）进行行走时，需要根据新获得的信息来对已构造的3d场景进行修正。
2023-07-17 11:12:10
369
1
原创 SVO：半直接法单目视觉里程计算法细节讨论
当一个新的关键帧被插入地图中时，SVO将剔除距离当前相机位置最远的一个关键帧。最初的地图是由前两帧图像进行三角化得到的，这一点没有什么疑问，因为也只能这样了。（这里的计算量似乎并不小啊，肯定有更优的关键帧选取方案，先mark住）SVO将检测新读入图像帧与之前所有关键帧平均图像深度之间的欧式距离，为了节约时间，只优化到第三层，因为这个时候的精度就足够了。关于滑动窗口法之前的文章中已经介绍过了不再复述。（滑动窗口法），这些固定数量的关键帧就是用于。，因为过于相似的关键帧对优化的帮助并不大。
2023-07-14 14:22:17
104
1
原创 SVO：半直接法单目视觉里程计建图线程
第一步是从图像帧队列中读入图像帧，并检测图像帧是否是关键帧。 如果该帧图像是关键帧的话，就对图像进行特征提取，并对每个2D特征初始化概率深度滤波器，这些滤波器的初始化有很大的不确定性，在随后的图像帧中深度估计都将以贝叶斯方式更新。 如果该帧图像不是关键帧的话，就用来更新深度滤波器，当深度滤波器的不确定性足够小时（收敛时），在地图中插入相应的3D点（更新地图），并用来估计位姿。
2023-07-14 14:14:33
59
1
原创 SVO：半直接法单目视觉里程计位姿估计线程
第一步是通过基于模型的稀疏图像对齐进行位姿的初始化，具体一点说就是通过最小化相同路标点投影位置对应的像素之间的光度误差，得到相对于前一帧的相机姿态（相对位姿）。注意这里优化的对象是帧间的相对位姿（直接法）。 第二步是通过相应的特征(块)对齐，对重投影点对应的二维坐标进行细化。意思是说，由于先前估计的位姿和路标点位置可能有误差，当前帧中的特征块与参考关键帧中相应的特征块之间会存在光度误差(灰度不变假设)，我们在这一步中不考虑相机位姿，而是直接对当前帧中每一个特征块的2D位置进行单独优化以进一步最小化特征块的
2023-07-14 14:12:22
74
1
原创 CSDN如何快速赚取积分？
8、评论被管理员或博主删除，相应减去发评论者和博主原来基于该评论各自获得的分数（博主应减积分不会动态实时去掉，是每周固定时间清理一次）5、每篇博文阅读次数每超过100次：可获得1分，阅读加分最高加到100分，即每篇文章点击上万次截止。4、每发表一次评论：可获得1分（自己给自己评论、博主回复别人对自己博文的评论不获得积分）7、文章被管理员或博主本人删除，相应减去博主原来基于该篇博文所获得的分数。6、文章被投票：顶1票加1分，踩1票减1分。3、博主的文章每被评论一次：可获得1分。9、用户每日获得积分上限取消。
2023-07-14 13:48:04
125
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人