Planificación de movimiento

Este ejemplo muestra cómo utilizar el algoritmo de árbol aleatorio de exploración rápida (RRT) para planificar una ruta para un vehículo a través de un mapa conocido. También se aplican restricciones de vehículos especiales con un espacio de estado personalizado. Puede ajustar su propio planificador con espacios de estado personalizados y objetos de validación de ruta para cualquier aplicación de navegación.

Este ejemplo muestra cómo realizar una replanificación dinámica en un mapa de almacén con un telémetro y un planificador de ruta A*.

Este ejemplo muestra cómo percibir la información de la vista envolvente y utilizarla para diseñar un sistema de maniobra de cambio de carril automatizado para escenarios de conducción en carretera.

Este ejemplo demuestra cómo planificar una trayectoria local en un escenario de conducción en carretera. Este ejemplo utiliza una ruta de referencia y una lista dinámica de obstáculos para generar trayectorias alternativas para un vehículo ego. El vehículo ego navega a través del tráfico definido en un escenario de conducción proporcionado a partir de un objeto drivingScenario . El vehículo alterna entre control de crucero adaptativo, cambio de carril y maniobras de seguimiento del vehículo según el coste, la viabilidad y el movimiento sin colisiones.

Este ejemplo muestra cómo encontrar soluciones globales de planificación de rutas para sistemas con cinemática compleja utilizando el planificador basado en cinemática, plannerControlRRT. El ejemplo está organizado en tres secciones principales:

Dynamically replan the motion of an autonomous vehicle based on the estimate of the surrounding environment. You use a Frenet reference path and a joint probabilistic data association (JPDA) tracker to estimate and predict the motion of other vehicles on the highway. Compared to the Planificación de la trayectoria de la carretera mediante la ruta de referencia de Frenet example, you use these estimated trajectories from the multi-object tracker in this example instead of ground truth for motion planning.

Este ejemplo le muestra cómo optimizar la trayectoria de un robot similar a un automóvil manteniendo una curvatura suave y una distancia segura de los obstáculos en un estacionamiento.

Este ejemplo muestra cómo elegir el mejor planificador de rutas 2-D para un robot de accionamiento diferencial en un entorno de almacén entre los planificadores de rutas disponibles. Utilice el objeto plannerBenchmark para comparar los planificadores de ruta plannerRRT, plannerRRTStar, plannerBiRRT, plannerPRM y plannerHybridAstar en el entorno del almacén con las poses de inicio y objetivo elegidas al azar. Compare los planificadores de rutas en función de su capacidad para encontrar una ruta válida, la distancia a los obstáculos, el tiempo necesario para inicializar un planificador, el tiempo necesario para encontrar una ruta, la longitud de la ruta y la suavidad de la ruta. Se elige un planificador adecuado en función del desempeño de cada planificador de ruta en las métricas mencionadas anteriormente.

Process and store 2.5-D information, and presents various techniques for using it for an offroad path planner.

Este ejemplo muestra cómo utilizar un planificador híbrido A* para planificar una ruta hacia un espacio de estacionamiento estrecho, teniendo en cuenta la forma de un robot similar a un automóvil.

Este ejemplo muestra cómo planificar una ruta para un robot móvil hacia una región objetivo utilizando un planificador de rutas de árbol aleatorio (RRT) de exploración rápida. En este ejemplo, puede definir una región objetivo personalizada como un polígono 2D y luego planificar una ruta hacia ella.

Este ejemplo muestra cómo combinar los enfoques de muestreo uniforme y gaussiano para la planificación del movimiento en pasajes estrechos y espacios amplios.

Este ejemplo muestra cómo crear un muestreador basado en aprendizaje profundo utilizando Motion Planning Networks para acelerar la planificación de rutas utilizando planificadores basados ​​en muestreo como RRT (árbol aleatorio de exploración rápida) y RRT*. Para obtener información sobre las redes de planificación de movimiento (MPNet) para el muestreo del espacio de estados, consulte Comience con las redes de planificación de movimiento.

El ejemplo muestra cómo utilizar planificadores basados ​​en muestreo como RRT (árbol aleatorio de exploración rápida) y RRT* con Motion Planning Networks (MPNet), un muestreador basado en aprendizaje profundo para encontrar rutas óptimas de manera eficiente.

Este ejemplo muestra cómo utilizar navGraph y plannerAStar para encontrar una ruta a través de terreno accidentado teniendo en cuenta los requisitos y limitaciones del vehículo.