Эти алгоритмы Robotics System Toolbox™ фокусируются на мобильных приложениях робототехники (т.е. наземные транспортные средства). Эти классы помогают вам с целым мобильным рабочим процессом робототехники. Можно создать карты сред с помощью сеток заполнения, выполнить одновременную локализацию и отображение (SLAM), разработать планирование пути для роботов в данной среде и настроить контроллеры, чтобы следовать за набором waypoints. Кроме того, можно выполнить предотвращение препятствия, оценку состояния и локализацию на основе данных о датчике из робота.
SLAM Map Builder | Создайте 2D карты сетки с помощью основанного на лазерном дальномере SLAM |
Pure Pursuit | Линейная и угловая скорость управляет командами |
Vector Field Histogram | Избегайте препятствий с помощью векторной полевой гистограммы |
Детали функциональности сетки заполнения и структуры карты.
Вероятностные дорожные карты (PRM)
Как алгоритм PRM работает и определенные настраивающие параметры.
Планирование пути в среде различной сложности
Этот пример демонстрирует, как вычислить препятствие свободный путь между двумя местами на данной карте с помощью Вероятностной Дорожной карты (PRM) планировщик пути.
Построение карты при известном местоположении
Этот пример показывает, как создать карту среды с помощью показаний датчика области значений, если положение робота известно во время чтения датчика.
Составьте серию лазерных сканирований с изменениями положения
Используйте сканирование, соответствующее, чтобы составить серию лазерных сканирований
Этот пример показывает, как уменьшать дрейф в предполагаемой траектории (местоположение и ориентация) монокулярной камеры с помощью 3-D оптимизации графика положения.
Чистый контроллер преследования
Чистый Контроллер Преследования функциональность и детали алгоритма.
Следование траектории для робота с дифференциальным приводом
Этот пример демонстрирует, как управлять роботом, чтобы следовать за желаемым путем с помощью Средства моделирования Робота.
Детали алгоритма VFH и настраиваемые свойства.
Предотвращение препятствия с TurtleBot и VFH
Этот пример показывает, как использовать TurtleBot® с Векторным полем Histograms (VFH), чтобы выполнить предотвращение препятствия при управлении роботом в среде.
particle filter является рекурсивным, Байесовым средством оценки состояния, которое использует дискретные частицы, чтобы аппроксимировать апостериорное распределение предполагаемого состояния.
Рабочий процесс фильтра частиц
particle filter является рекурсивным, Байесовым средством оценки состояния, которое использует дискретные частицы, чтобы аппроксимировать апостериорное распределение предполагаемого состояния.
Отследите подобный автомобилю робот используя фильтр частиц
Фильтр частиц является основанным на выборке рекурсивным Байесовым алгоритмом оценки.
Алгоритм локализации Монте-Карло
Алгоритм Локализации Монте-Карло (MCL) используется, чтобы оценить положение и ориентацию робота.
Локализуйте TurtleBot Используя локализацию Монте-Карло
Этот пример демонстрирует применение алгоритма Локализации Монте-Карло (MCL) на TurtleBot® в моделируемой среде Gazebo®.
Уменьшайте дрейф в 3-D визуальной траектории одометрии Используя графики положения
Этот пример показывает, как уменьшать дрейф в предполагаемой траектории (местоположение и ориентация) монокулярной камеры с помощью 3-D оптимизации графика положения.
Реализуйте Одновременную локализацию и отображение (SLAM) со сканированиями лазерного дальномера
Этот пример демонстрирует, как реализовать алгоритм Одновременной локализации и отображения (SLAM) на собранной серии сканирований лазерного дальномера с помощью оптимизации графика положения.
Этот пример демонстрирует, как реализовать алгоритм Одновременной локализации и отображения (SLAM) на сканированиях лазерного дальномера, полученных из моделируемой среды с помощью оптимизации графика положения.