上一篇,我们讲完了RRT,这回我们来讲运动规划入门系列的最后一个算法——人工势场法。回想当时我第一次听说人工势场法的时候,不明觉厉,感觉这似乎是一个十分高大上的规划算法,但是当我真正了解以后才发现,其实人工势场法的思路反而是这个系列五个算法中最好理解,最符合直觉的。在这篇博文中,我将为小伙伴们揭开人工势场法神秘的面纱。 1. 人工势场的原理详解 物理学的势(potential),也称做“位”,是一
小伙伴们似乎对RRT有种莫名的期待,从大概四个月前,我第一次更新运动规划入门系列的时候就有小伙伴催着要看RRT了,那么今天就满足你们。 书接上回,我们上次讲完了PRM,我们知道PRM是一个概率完备,但是非最优的路径规划算法。所谓概率完备,意思就是说假如在规划的起点和终点之间是存在有效的路径的,也就是路径规划是有解的话,那么只要规划的时间足够长、采样点足够多的话,必然可以找到有效的路径。非最优就
上一回,我们讲完了A*的工作原理,与Dijkstar相比A*确实有一定程度上的优化,但是我们最后也提到了,即便如此A*和Dijkstar一样,依旧还是在逐一遍历地图中的每一个栅格,这对于算法的实际使用是十分不友好的,毕竟我们不可能使用一张20*20或者100*100的地图来描述实际的物理世界,往往实际上的地图是会远远大于这个尺寸的。 在座的小伙伴们一定知道在概率统计中,有一个概念叫做抽样调查,
书接上回,上一次我们讲完了Dijkstra,如果小伙伴们有印象的话,肯定还记得在上一篇的文末,我们提到了Dijkstra的致命缺点:处理大地图时效率低下。那么今天我们就来看看Dijkstra的近亲A*究竟做出了哪些改变来解决效率问题? 1. A*原理详解 我们知道,Dijkstra之所以效率低下,就是因为Dijkstra对地图里所有的相邻栅格都“一视同仁”,所以Dijkstra在运行的时
在运动规划的研究场景里很多已经存在的经典算法,在运动规划的入门阶段绕不过去的五种基础算法分别有:Dijkstra、Astar(A*)、PRM(概率路线图法Probabilistic Road Maps)、RRT(重复探索随机树 Rapidly Exploring Random Trees)、人工势场法(Artificial Potential Fields) 笔者将会更新这个“运动规划入门”系
运动规划入门
博客
泡泡
积分
勋章
运动规划入门 | 5. 白话人工势场法,从原理到Matlab实现
运动规划入门 | 4. 白话RRT,从原理到Matlab实现
运动规划入门 | 3. 白话PRM,从原理到Matlab实现
运动规划入门 | 2. 白话A*,从原理到Matlab实现
运动规划入门 | 1. 白话Dijkstra,从原理到Matlab实现
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信