小张同学的博客😎

简述 ==注：本文章是基于官网的文档(MOOS-IvP : Helm - Cover browse (mit.edu))进行了简单的机翻，主要用于学习该仿真系统，文章中多少存在一些错误，请指出。== 2.4发布-订阅中间件设计思想与MOOS 星形拓扑通讯机制，使用发布订阅的方式进行。 2.5基于行为的控制设计思想与Ivp Helm Ivp Behavior 为用户的使命行为，例如避障，速度控制，搜索区域 Ivp Helm 用于调节个行为，哪些是活性的，哪些是非活性的。通过结合ivp function ，ivp solver进行协调多个冲突行为，将决策输出到MOOSDB。 3.4 MOOS应用程序中的重载函数 MOOS应用程序基类的关键虚函数：在从CMOOSApp派生的类上调用Run（）后的执行流。滚动条指示CMOOSApp功能的用户将在哪里编写新代码，以实现新应用程序所需的任何内容。 3.4.1 The Iterate() Method 通过在一 个新的派生类中重写 CMOOSApp :: Iterate （ ）函数 ，作者创建了一个函数，可以从该 函数中编排应用程序要执行的工作 ...

what is planning 本质 $$ argmin_{x}f(x) $$ 搜索问题 “好”其实就是一个目标函数： $$ f(x) $$ f(x)的最优解 Motion planning 的三个跟踪领域 Robotics Fileds: 生成轨迹实现目标 RRT, A*, D* Lite Control Theory: 动态系统理论实现目标状态 MPC，LQR AI: 生成状态和Action的一个映射 RL, Imitation Learning cited by motion planning by steve lavelle: https://planning.cs.uiuc.edu/part1.pdf 如何解决Motion planning问题？ 找到简单的突破口 path finding problem 不关心速度，不关心走 周围固定 简而言之就是：路径选择问题 A simple shortest path 路径最短：BFS &DFS ; Dijkstra; A* search 无人车 ...

机器人运动规划方法综述_唐永兴.pdf * Authors: [[ 唐永兴]] 初读印象 comment:: 首先阐释运动规划的基本内涵及经典算法的关键步骤；其次针对实时性与解路径（轨迹）品质间的矛盾，以是否考虑微分约束为标准，有层次地总结了现有的算法加速策略；最后面向不确定性（即传感器不确定性、未来状态不确定性和环境不确定性）下的规划和智能规划提出的新需求，对运动规划领域的最新成果和发展方向进行了评述。 绪 1 开环运动规划的一个中心主题是将连续空间离散化，进而借助人工智能领域的离散搜索思想，将求解运动规划问题视为在高维自由构型空间或自由相空间中的搜索过程。 2 反馈运动规划则通过对不确定性进行建模，并将该模型融入规划过程，为机器人的实际运动提供了安全保障。 传统运动规划 解决传统运动规划问题的思路正是用包含可数个节点的图结构G(V, E)捕捉Cfree的连通信息，并基于此离散结构搜索解路径。 组合运动规划 CMP为基于显式表示的障碍物。 可达性 对于任一 q ∈Cfree，可以简单高效地计算一条以其为起点，以S中任一点s为终点的路径τ:[0 1]→Cfree，即τ(0)=q，τ ...

Formation Flight in Dense Environments * Authors: [[Lun Quan]], [[Longji Yin]], [[Tingrui Zhang]], [[Mingyang Wang]], [[Ruilin Wang]], [[Sheng Zhong]], [[Yanjun Cao]], [[Chao Xu]], [[Fei Gao]] 初读印象 comment:: 现有方法缺乏在密集环境中实现完全自主的大规模编队飞行的能力。本文提出了一种基于可微图的度量来量化编队之间的总体相似性误差。此度量对于旋转，平移和缩放是不变的，为编队协调提供了更大的自由度。设计了一个分布式轨迹优化框架，该框架考虑了编队相似性、避障和动态可行性。为了提高高度受限场景下编队导航的弹性，我们提出了一种群重组方法，该方法通过生成本地导航目标来自适应地调整编队参数和任务分配。在这项工作中，提出了一种新颖的群协议策略，称为全局重新规划和编队级路径规划器，以有效地协调群全局规划和局部轨迹优化。 文章骨架 %%简介%% introduction:: 三个核心挑战限制了实际编队 ...

引言 关于c++的可视化一直是不太方便，个人使用过的可视化方案有基于ROS的RVIZ工具，但是这个是基于linux环境的在windows环境下不太适用。如果是小的demo的开发，并且希望在windows端的话，可以使用wsl2在windows 端使用ros的rviz工具进行可视化。个人还使用过opencv的库进行过可视化，但是可视化化效果有点“小丑”。目前找到了一个配置较为简单，使用起来和matlab的画图很类似并且审美也可接受，缺点就是暂时无法画动图，原因是图的更新频率太低了。 Matplot++概述 Matplot++ 是一个用于数据可视化的图形库，它提供交互式绘图、以高质量格式导出科学出版物绘图的方法、与类似库一致的紧凑语法、数十种具有专用算法的绘图类别、多种编码样式，并支持通用后端。 下面是一些效果图的示例，官网文档链接为：Home - Matplot++ (alandefreitas.github.io) 安装配置 由于这部分已经有大佬写的很详细了这里就不再赘述了。主要安装主要有gnuplot下载与安装&Matplot++下载和vs的配置。推荐大佬写的详细安装步骤 ...

使用摄像头进行寻迹，优点在于可以使前瞻更加的长，速度越快对前瞻的需求越高。当然了也可能大佬的算法写的好，不是呈现完全的正相关，可以说是大体的正相关。但是如果遇到光线分布不均匀等情况干扰了图像赛道信息的提取，可能会造成灾难性后果。 在阳光分布较差的情况下，直接使用灰度图像，会对赛道边线的提取有着一定的帮助。下面说一下关于灰度图像的赛道边线提取。其主要思路和二值化后的图像边线提取思路相似，只不过二值化图像是根据0、1两个值进行处理，而对灰度图像，每一个像素点的值为0~255。观察下图（使用的逐飞的上位机获取的图片，之后使用python稍微处理了一下） 编辑 图1 原图 编辑 图2 excel 部分数据 编辑 图3 excel 部分数据（放大） 通过图3，可以明显的看出赛道的边线出的像素数值变化。由此，我们便可以通过计算像素变化大的地方，提取赛道边界。主要程序如下： 12345678910111213141516171819202122232425#define CBH(x,y) (fabs(x-y)/(x+y)*100) %差比和计算 for(j=center_l;j>3;j-- ...