La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Diseño de algoritmos para robots móviles

Aplicación, planificación y seguimiento de rutas, y estimación de estados

Estos algoritmos de Robotics System Toolbox™ se centran en aplicaciones robóticas móviles o en aplicaciones de vehículos terrestres. Este tipo de algoritmos proporcionan asistencia a lo largo de todo el flujo de trabajo de robótica móvil, desde la aplicación a la planificación y el control. Puede crear mapas de entornos con cuadrículas de ocupación, desarrollar algoritmos de planificación de rutas para robots en un determinado entorno, y ajustar controladores para seguir un conjunto de waypoints. Realice una estimación de estados en base a los datos del sensor de LIDAR desde el robot.

Funciones

expandir todo

Aplicación

`binaryOccupancyMap`	Create occupancy grid with binary values
`getOccupancy`	Get occupancy value of locations
`inflate`	Inflate each occupied location
`move`	Move map in world frame
`occupancyMatrix`	Convierta una cuadrícula de ocupación en una matriz
`raycast`	Compute cell indices along a ray

Escaneo láser

`lidarScan`	Create object for storing 2-D lidar scan
`plot`	Display laser or lidar scan readings
`removeInvalidData`	Remove invalid range and angle data
`transformScan`	Transform laser scan based on relative pose

Localización

`stateEstimatorPF`	Create particle filter state estimator
`initialize`	Initialize the state of the particle filter
`predict`	Predict state of robot in next time step
`correct`	Adjust state estimate based on sensor measurement
`getStateEstimate`	Extract best state estimate and covariance from particles

Planificación y seguimiento de rutas

`mobileRobotPRM`	Cree un planificador de rutas de hojas de ruta probabilísticas
`findpath`	Encontrar rutas entre el punto inicial y el punto objetivo en la hoja de ruta
`controllerPurePursuit`	Cree un controlador para seguir un conjunto de waypoints

Modelos de movimiento cinemático

`ackermannKinematics`	Car-like steering vehicle model
`bicycleKinematics`	Modelo de vehículo bicicleta
`differentialDriveKinematics`	Modelo de vehículo con tracción diferencial
`unicycleKinematics`	Modelo de vehículo monociclo

Bloques

Ackermann Kinematic Model	Movimiento del vehículo similar a un automóvil utilizando el modelo cinemático de Ackermann
Bicycle Kinematic Model	Calcule el movimiento de un vehículo similar a un automóvil utilizando el modelo cinemático de una bicicleta
Differential Drive Kinematic Model	Calcula el movimiento del vehículo utilizando el modelo cinemático con tracción diferencial
Unicycle Kinematic Model	Compute vehicle motion using unicycle kinematic model
Pure Pursuit	Linear and angular velocity control commands

Temas

Aplicación y planificación de rutas

Cuadrículas de ocupación
Detalles de la funcionalidad de cuadrícula de ocupación y la estructura de mapa.
Hojas de ruta probabilísticas (PRM)
Funcionamiento del algoritmo PRM y parámetros de ajuste específicos.
Planificación de rutas en entornos de diferente complejidad
Este ejemplo muestra cómo calcular una ruta libre de obstáculos entre dos ubicaciones en un determinado mapa utilizando el planificador de rutas PRM (hoja de rutas probabilísticas).
Mapping with Known Poses
This example shows how to create a map of an environment using range sensor readings and robot poses for a differential drive robot.
Planificar una ruta para un robot de tracción diferencial en Simulink
Este ejemplo muestra cómo ejecutar una ruta libre de obstáculos entre dos ubicaciones de un determinado mapa en Simulink®.

Modelado de movimientos

Mobile Robot Kinematics Equations
Learn details about mobile robot kinematics equations including unicycle, bicycle, differential drive, and Ackermann models.
Simular diferentes modelos cinemáticos para robots móviles
Este ejemplo muestra cómo modelar diferentes modelos cinemáticos de robot en un entorno y compararlos.

Control de robots

Controlador de Pure Pursuit
Funcionalidad del controlador de Pure Pursuit y detalles del algoritmo.
Seguimiento de rutas para un robot de tracción diferencial
Este ejemplo muestra cómo controlar un robot para que siga la ruta deseada utilizando un simulador de robot.
Control Differential Drive Robot in Gazebo with Simulink
This example shows how to control a differential drive robot in Gazebo co-simulation using Simulink.

Estimación de estados

Particle Filter Parameters
To use the stateEstimatorPF particle filter, you must specify parameters such as the number of particles, the initial particle location, and the state estimation method.
Particle Filter Workflow
A particle filter is a recursive, Bayesian state estimator that uses discrete particles to approximate the posterior distribution of the estimated state.
Track a Car-Like Robot Using Particle Filter
Particle filter is a sampling-based recursive Bayesian estimation algorithm, which is implemented in the stateEstimatorPF object.

Ejemplos destacados

Mapping with Known Poses

Create a map of an environment using range sensor readings and robot poses for a differential drive robot. You create a map from range sensor readings that are simulated using the rangeSensor object. The differentialDriveKinematics motion model simulates driving the robot around the room based on velocity commands. The rangeSensor gives range readings based on the pose of the robot as it follows the path.

Abrir script en vivo

Planificación de rutas en entornos de diferente complejidad

Este ejemplo muestra cómo calcular una ruta libre de obstáculos entre dos ubicaciones en un determinado mapa utilizando el planificador de rutas PRM (hoja de rutas probabilísticas). El planificador de rutas PRM construye una hoja de ruta en un espacio libre de un mapa determinado utilizando nodos de un muestreo aleatorio en el espacio libre y conectándolos entre sí. Una vez construida la hoja de ruta, puede hacer una consulta para encontrar una ruta desde una determinada ubicación inicial hasta una determinada ubicación final en el mapa.

Abrir script en vivo

Execute Tasks for a Warehouse Robot

Demonstrates how to execute an obstacle-free path for a mobile robot between three locations on a given map. The robot is expected to visit the three locations in a warehouse: a charging station, loading station, and unloading location. The sequence in which these locations are visited is dictated by a scheduler. The scheduler gives each robot a goal pose to navigate to. The robot plans a path and uses a Pure Pursuit controller to follow the waypoints based on the current pose of the robot. The Differential Drive Kinematic Model block models the simplified kinematics, which takes the linear and angular velocities from the Pure Pursuit Controller. This example builds on top of the Planificar una ruta para un robot de tracción diferencial en Simulink example.

Abrir script en vivo

Control and Simulate Multiple Warehouse Robots

Control and simulate multiple robots working in a warehouse facility or distribution center.

Abrir script en vivo

Simulate a Mobile Robot in a Warehouse Using Gazebo

Simulate a warehouse robot in Gazebo. Gazebo enabled you to simulate a mobile robot that uses a range sensor, while executing certain tasks in a simulated environment. This example details how to use a simulator to apply the Execute Tasks for a Warehouse Robot example, where a robot delivers packages in a warehouse scenario. The robot makes use of the simulated range sensor in Gazebo to detect possible collisions with a dynamic environment and avoid them.

Abrir script en vivo

A* Path Planning and Obstacle Avoidance in a Warehouse

An extension to the Simulate a Mobile Robot in a Warehouse Using Gazebo example. The example shows to change the PRM path planner with an A* planner, and add a vector field histogram (VFH) algorithm to avoid obstacles.

Abrir script en vivo

Avoid Obstacles Using Reinforcement Learning for Mobile Robots

Uses Deep Deterministic Policy Gradient (DDPG) based reinforcement learning to develop a strategy for a mobile robot to avoid obstacles. For a brief summary of the DDPG algorithm, see Deep Deterministic Policy Gradient (DDPG) Agents (Reinforcement Learning Toolbox).

Abrir script en vivo