无人车系统（三）：用python写一个简单的无人车仿真环境

仿真环境对于机器人研究来说太过重要，一个好的仿真环境能够逼真的模拟真实的场景、拥有高保真的物理引擎，能够比较真实的反映算法的性能。但是有时，我们有一个Idea，想马上实现，从而快速的验证这个idea的可行性，那么一款小巧、简洁的仿真环境可能更加合适。在得到验证有那么点意思后，再利用较真实的仿真环境验证，进一步，再放在实际环境中进行测试。一般来说，简单仿真环境——高保真仿真环境——真实环境，同一算法所需的代码量是递增的(因为要考虑的外围因素会增多，再加上接口代码)。

简单无人车仿真环境python代码

import numpy as np
import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline

# set up matplotlib
is_ipython = 'inline' in matplotlib.get_backend()
if is_ipython:
    from IPython import display

plt.ion()
plt.figure(figsize=(18, 3))

class UGV_model:
    def __init__(self, x0, y0, theta0, L, v0, T): # L:wheel base
        self.x = x0 # X
        self.y = y0 # Y
        self.theta = theta0 # headding
        self.l = L  # wheel base
        self.v = v0  # speed
        self.dt = T  # decision time periodic
    def update(self, vt, deltat):  # update ugv's state
        dx = self.v*np.cos(self.theta)
        dy = self.v*np.sin(self.theta)
        dtheta = self.v*np.tan(deltat)/self.l
        self.x += dx*self.dt
        self.y += dy*self.dt
        self.theta += dtheta*self.dt
        
    def plot_duration(self):
        plt.scatter(self.x, self.y, color='r')   
        plt.axis([0, 18, -3, 3])
        if is_ipython:
            display.clear_output(wait=True)
            display.display(plt.gcf())  

# set reference trajectory
refer_path = np.zeros((100, 2))
refer_path[:,0] = np.linspace(0, 18, 100)


plt.plot(refer_path[:,0], refer_path[:,1], '-.b', linewidth=5.0)
ugv = UGV_model(0, 0, 0, 2.86, 2.0, 0.1)
for i in range(1000):
    ugv.update(2.0, np.cos(i/5.0))
    ugv.plot_duration()

简单测试（方向盘转角以余弦周期性变化）：

写在后面

简单的仿真环境的模型最简单，预测误差也最大，往往与真实环境中跑的结果相差很大。仿真环境越好，运行效果与真实环境越接近。