最优轨迹生成（一）—— 微分平坦

移动机器人最优轨迹生成学习笔记
最新推荐文章于 2025-08-13 16:47:01 发布
最新推荐文章于 2025-08-13 16:47:01 发布
阅读量9.3k 收藏 145
点赞数 64
CC 4.0 BY-SA版权
分类专栏： 运动规划和控制 数值优化方法 文章标签： 运动规划 数值优化 最优化方法 轨迹生成 路径规划 机器人 学习笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44339029/article/details/132520260

   本系列文章是学习深蓝学院-移动机器人运动规划课程第五章最优轨迹生成 过程中所记录的笔记，本系列文章共包含四篇文章，依次介绍了微分平坦特性、无约束BVP轨迹优化、无约束BIVP轨迹优、 带约束轨迹优化等内容

   本系列文章链接如下：

   最优轨迹生成（一）—— 微分平坦

   最优轨迹生成（二）—— 无约束BVP轨迹优化

   最优轨迹生成（三）—— 无约束BIVP轨迹优化

  

了解本专栏 订阅专栏 解锁全文
【控制模块算法】微分平坦（Differential Flatness）
qq_35635374的博客
10-11 6367
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、微分平坦（Differential Flatness）目的二、无人机微分平坦控制举例三、无人机的规划和控制关系四、【拓展控制方法】微分动态规划法（Differential Dynamic Programming)1.数学原理2.原理的表述3.优点4.缺点参考资料 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 在项目和平时的学习中，我对机器人
最优轨迹生成（四）—— 带约束轨迹优化
慕羽★的博客
01-01 3562
本系列文章是学习深蓝学院-移动机器人运动规划课程第五章最优轨迹生成 过程中所记录的笔记，本系列文章共包含四篇文章，依次介绍了微分平坦特性、无约束BVP轨迹优化、无约束BIVP轨迹优、 带约束轨迹优化等内容
简单理解微分平坦性理论
最新发布
weixin_47723114的博客
08-13 1176
摘要：微分平坦性是非线性系统的一种重要性质，指存在平坦输出y=h(x,u)，使得系统状态x和控制输入u可由y及其有限阶导数完全表示。这一性质将复杂动力学系统转化为平坦输出空间，简化了轨迹规划和控制设计。无人机控制中常采用基于微分平坦的DFBC方法或NMPC方法，通过平坦输出直接生成期望状态和控制量。文章还回顾了无人机动力学建模，包括基本模型和考虑空气动力学效应的扩展模型，展示了微分平坦性在无人机控制中的实际应用价值。
最优轨迹生成（三）—— 无约束BIVP轨迹优化
慕羽★的博客
12-31 2555
本系列文章是学习深蓝学院-移动机器人运动规划课程第五章最优轨迹生成 过程中所记录的笔记，本系列文章共包含四篇文章，依次介绍了微分平坦特性、无约束BVP轨迹优化、无约束BIVP轨迹优、 带约束轨迹优化等内容
轨迹规划理论(一)微分平坦
weixin_45534376的博客
03-13 4012
本系列笔记主要为笔者对轨迹规划的基础理论归纳整理，方便学习，如有问题，望各位大佬指出。
微分平坦（differential flatness）
qq_40870689的博客
09-16 1万+
  推荐下自己的公众号——Joe学习笔记，公众号上会不定期更新一些文章，主要是自己平时学到的知识，内容包括自动驾驶、计算机视觉、人工智能和机器人技术。我会第一时间把文章更新在公众号上，欢迎大家订阅和分享！文章是从公众号搬过来的。   现代控制理论中使用如下模型表示系统：   其中x为状态变量，u为输入变量，y为输出变量。机器人控制方面f，g很多时候是x，u的非线性函数。常用的方法是通过泰勒一阶...
最优轨迹生成（二）—— 无约束BVP轨迹优化
慕羽★的博客
12-31 2808
本系列文章是学习深蓝学院-移动机器人运动规划课程第五章最优轨迹生成 过程中所记录的笔记，本系列文章共包含四篇文章，依次介绍了微分平坦特性、无约束BVP轨迹优化、无约束BIVP轨迹优、 带约束轨迹优化等内容
自动驾驶之轨迹规划1——算法综述
热门推荐
IHTY_NUI的博客
03-05 3万+
1. 概述 本文立足于智能车领域的轨迹规划，根据自己的整理和理解输出，权当做一篇学习笔记。 首先解释一下一些基本概念： 环境感知与融合； 驾驶行为决策：从驾驶员本身出发，包含心理学、认知学、统计学等多个学科交叉的一种决策过程，旨在研究“驾驶员实际是怎样进行决策的”和“为什么做出这样的决策”。 轨迹规划：基于感知到的话你就拿个信息（如路况信息、路网结构、车辆状态等）对车辆的未来轨迹进行最优规划：路径规划和速度规划。 车辆横纵向控制： 2. 轨迹规划的问题本质 轨迹规划的任务是计算出一个无碰撞可执行的轨迹（包
基于微分平坦特性进行最优化控制-轨迹规划
每天进步一点点。
08-09 961
例如： 自动驾驶汽车使用后轴中心的x,y坐标作为平坦输出，然后将状态量（x，y，φ横摆角）和控制量（前轮转角和速度）全部由平坦输出x，y表示。在机器人进行运动规划的时候指导选择哪些输出变量进行规划，并将所有的轨迹约束条件都映射到平坦输出空间，并在输出空间中规划出最优轨迹，然后再上升回到初始的状态和输入空间中。这使得最优控制问题的维数降低到能在实际应用中实时计算的数目。因此在规划轨迹的时候只需要规划x(t)和y(t)即可，将选定的平坦输出变量参数化为合适的时间函数。
【深蓝学院】移动机器人运动规划--第5章 最优轨迹生成--笔记
qq_37746927的博客
02-18 3253
【深蓝学院】移动机器人运动规划--第5章 最优轨迹生成--笔记
时能最优轨迹规划
weixin_48648760的博客
08-11 1762
时能最优轨迹规划 研究对象：非完整轮式移动机器（差速矩形轮式机器人） 目的：时间-能量优化 控制输入：u-------对应施加给左轮和右轮的力 1、几何路径的时间参数化 总的来说就是单位时间走过的距离就是速度----极限思想。 对机器人动力学分析：牛二 问题：规定起始点和终点，机器人在t时间间隔内沿预定路径从速度V1到预设速度V2。得到速度曲线，使机器人可以在最小遍历时间和能量消耗E中通过路径s 2、凸优化 1.问题定义（形式） 2. 特性： 没有解析解 有可靠和高效的算法解决此类问题 计算时间复杂度ma
[运动规划算法]Minimum Snap轨迹规划
xiewf的博客
03-06 9479
文章目录简介1、为什么需要光滑轨迹？2、光滑轨迹生成一、光滑轨迹的生成二、使用步骤1.引入库2.读入数据总结 简介 1、为什么需要光滑轨迹？ 为了更好地自主移动。 速度不能立即改变。 机器人不应该在转弯时停止。 节省能量，经常地加减速会减少能量。 2、光滑轨迹生成 边界条件：开始、目标位置（方向） 中间条件：航路点位置（方向） •可通过路径规划（A*、RRT*等）找到航路点 平滑度的标准 通常是转化为最小化“输入”的变化率 一、光滑轨迹的生成 二、使用步骤 1.引入库 代码如下（示例）
Differential flatness
qq_46121392的博客
07-14 1856
微分平坦特性是针对有常微分方程描述的动力系统的一种特性，比方说无人机通常以系统的状态x（三维的位置、速度、姿态、角速率）以及输入的控制u（总的推力、在三个轴上的力矩）构成。常微分方程描述了状态和输入之间确定的关系。...
移动机器人路径规划（五）--- 基于Minimun Snap的轨迹优化
qq_41694024的博客
11-21 1653
移动机器人路径规划（五）--- 基于Minimun Snap的轨迹优化
【轨迹生成】参数化最优控制 约束-控制-图形参数
NEO's NOTEBOOK
05-07 5569
Reactive Nonholonomic Trajectory Generation via Parametric Optimal Control Alonzo Kelly Bryan Nagy 1. 车辆的运动模型 车辆运动描述： 车辆状态
【四旋翼】微分平坦
qq_44768318的博客
09-11 1047
x˙fxgxux：位置p，速度v，姿态R，角速度wu：四轴总推力thrust，四轴总力矩torquee3：单位矢量，[0,0,1]朝上 |：重力矢量f：标量，总推力大小 | R：旋转矩阵 |：无人机的总推力矢量转换到惯性系下v：惯性系下的速度 |：将惯性系下的速度旋转到机体系下，加-号是为了抵抗风阻D：diag(dh,dh,dv) 风阻系数| 无人机因为自己的运动所导致的受风力情况。
无人机的微分平坦性详细推导+Mini snap
weixin_45438628的博客
05-16 4443
无人机的微分平坦性详细推导 目标：将无人机的状态一个12维的向量用4维表示 即将无人机的位置，方向，速度和角速度用位置(X,Y,Z)和绕z轴的ψ\psiψ角表示 1.无人机非线性动力学 2.机体坐标系表示 无人机的推力始终与机架垂直因此 ZB=t∥t∥Z_B=\frac{t}{\|t\|}ZB​=∥t∥t​,t=[x¨,y¨,z¨+g]Tt=[\ddot x,\ddot y,\ddot z + g]^{\mathbf T}t=[x¨,y¨​,z¨+g]T 然后我们通过一个中间坐标系来求YBY_BYB​
四旋翼轨迹规划最优控制
weixin_41459903的博客
11-14 1628
本篇介绍了给定四旋翼起始状态，包括位置、速度、加速度、加加速度jerk、加加加速度jounce，并且给定末端状态，根据最优控制理论，规划从起点到终点途中各状态与时间的变化关系。 Optimum Control of Quadcopter There are numbers of trajectories that a quadcopter can choose given the initial ...
微分平坦控制
05-05
### 微分平坦控制的概念与实现 微分平坦控制是一种现代控制理论方法，其核心思想在于利用系统的输入和状态之间的关系，将复杂的非线性系统转化为易于处理的形式。对于一个微分平坦系统而言，所有的动态变量（即状态和输入）都可以通过有限次微分表示为一组称为“平坦输出”的函数及其导数[^1]。 #### 微分平坦控制的核心概念 微分平坦性的定义是指如果存在一组平坦输出 \( y_f \)，使得系统的状态向量 \( x \) 和输入向量 \( u \) 可以显式地由这些平坦输出及其时间导数组合而成，则该系统被称为微分平坦系统。这种特性允许我们通过对平坦输出的设计来间接设计整个系统的轨迹[^2]。 #### 实现步骤概述 尽管不使用诸如“首先”、“然后”之类的引导词，以下是关于如何实现微分平坦控制的关键要点： - **确定平坦输出**：识别并选择合适的平坦输出作为目标变量。 - **重构状态与输入**：基于选定的平坦输出表达所有其他的状态变量和控制输入。 - **路径规划**：设计期望的平坦输出轨迹以满足特定的任务需求。 - **反馈控制器设计**：构建闭环控制系统以跟踪所规划的轨迹。 #### 示例代码展示 下面提供了一个简单的Python代码片段，演示了如何针对假设的一个二阶单输入系统应用基本的微分平坦控制逻辑： ```python import numpy as np from scipy.integrate import solve_ivp def flat_system(t, z, r_ddot): """ 定义一个假想的二阶系统，并计算所需的控制输入u。 参数: t (float): 时间点 z (array_like): 当前状态 [y, y_dot] r_ddot (function): 所需加速度的时间依赖函数 返回: dzdt (list): 导数值列表 [dy_dt, d2y_dt2] """ y, y_dot = z # 假设r是我们的平坦输出 r = lambda tau: np.sin(0.5 * tau) # 设定一个示例轨迹 dr_dt = lambda tau: 0.5 * np.cos(0.5 * tau) d2r_dt2 = lambda tau: -0.25 * np.sin(0.5 * tau) # 计算所需控制输入u u = d2r_dt2(t) + 2*dr_dt(t)**2 - r_ddot(t) return [y_dot, u] # 初始条件 z_initial = [0, 0] # 解决ODE问题 sol = solve_ivp(lambda t, z: flat_system(t, z, lambda t: 0), [0, 10], z_initial, dense_output=True) t_vals = np.linspace(0, 10, 100) z_vals = sol.sol(t_vals) print(z_vals.T[-1]) # 输出最终状态 ``` 此代码模拟了一种情形下如何运用微分平坦原则去操控某个简单动力学模型的行为模式。 #### Matlab中的实现案例 考虑到引用材料提到的内容，在Matlab环境中也可以采用相似的方法来进行更为具体的工程实践操作。例如，可以参照如下伪码框架进一步开发适合具体应用场景下的解决方案[^3]: ```matlab % 初始化参数 syms t; r = sin(0.5*t); % 平坦输出设定为例正弦波形式 rdot = diff(r,t); rddot = diff(rdot,t); % 构造状态空间映射关系 x1 = ... ; % 表达成r及其次级衍生物的关系 x2 = ... ; u = ... ; % 数值求解部分省略... ```
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

慕羽★

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值