课程价格 :
¥999.00
剩余名额
0
-
学习时长
8周/建议每周至少六小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/助教及时批改评优
-
课程有效期
一年/告别拖延,温故知新
课程价格:
¥999.00
预约下一期 *课程已报满,可预约下一期
支持花呗分期
*课程已报满,可预约下一期
- 1:【课前资料】开发环境准备文档ubuntu+ROS
- 2-1:开课仪式
- 2-2:助教分享
- 第1章: 导论
- 3:【课件】第一章
- 第1节: 课程介绍
- 4:【视频】课程介绍
- 第2节: 运动规划方法分类
- 5:【视频】运动规划方法分类
- 第3节: 常用地图结构
- 6:【视频】常用地图结构
- 7-1:【课件】L1 map
- 7-2:【视频】Occupancy Grid Map
- 7-3:【视频】ESDF
- 第4节: 实践作业
- 8-1:【作业】第一章
- 8-2:【作业代码】hw-1
- 8-3:【实践】实践演示
- 8-4:作业说明文档
- 第2章: 基于搜索的路径规划
- 第1节: 图搜索基础
- 9-1:【课件】基于搜索的路径规划
- 9-2:【视频】图搜索基础(Graph Search Basis)
- 第2节: Dijkstra 和A*算法
- 10:【视频】Dijkstra 和A*算法(Dijkstra and A*)
- 第3节: JPS算法
- 11:【视频】JPS算法(Jump Point Search)
- 第4节: 实践作业
- 12-1:【作业】第二章
- 12-2:第二章作业思路分享
- 第3章: 基于采样的规划算法
- 第1节: Feasible path planning methods
- 13-1:【课件】 sampling based path finding
- 13-2:【视频】 feasible path planning methods
- 第2节: Optimal Path Planning Methods
- 14:【视频】Optimal Path Planning Methods
- 第3节: Accelerate Convergence
- 15:【视频】Accelerate Convergence
- 第4节: 实践作业
- 16-1:【作业】第三章
- 16-2:第三章作业思路提示
- 第4章: 动力学约束下的运动规划
- 第1节: 动力学概念介绍
- 17-1:【课件】运动规划第四章课件
- 17-2:【视频】动力学概念简介(Introduction)
- 第2节: 状态栅格搜索算法
- 18:【视频】状态栅格搜索算法(State Lattice Search)
- 第3节: 两点边界值最优控制问题
- 19:【视频】两点边界值最优控制问题
- 第4节: 混合A*算法
- 20:【视频】 混合A*算法(Hybrid A*)
- 第5节: 动力学约束RRT*算法
- 21:【视频】动力学约束RRT*算法(Kinodynamic RRT*)
- 第6节: 实践作业
- 22-1:【作业】第四章
- 22-2:第四章作业思路分享
- 第5章: 最优轨迹生成
- 23:【课件】Optimization-Based Trajectory Planning
- 第1节: preliminaries
- 24-1:【视频】preliminaries of motion planning
- 24-2:【视频】preliminaries of trajectory planning
- 第2节: multicopter dynamics and differential flatness
- 25-1:【视频】multicopter dynamics and differential flatness
- 25-2:【视频】flatness transformation
- 第3节: trajectory optimization for multicopters
- 26-1:【视频】problem formulation of trajectory optimization
- 26-2:【视频】unconstrained case:BVP
- 26-3:【视频】unconstrained case:BIVP
- 26-4:【视频】 constrained case:convex simplification
- 27-1:【视频】issues of convex simplification
- 27-2:【视频】 constrained case:spatial-temporal deformation
- 第4节: 实践作业
- 28-1: 【视频】homework
- 28-2:【作业】第五章
- 28-3:第五章作业思路提示
- 第6章: 模型预测控制与运动规划
- 29:【课件】L6 MPC
- 第1节: reactive control & optimal control
- 30:【视频】 reactive control & optimal control
- 第2节: Model Predictive Control (MPC)
- 31:【视频】 Model Predictive Control (MPC)
- 第3节: linear MPC
- 32:【视频】 linear MPC
- 第4节: others MPC methods
- 33:【视频】others MPC methods
- 第5节: 实践作业
- 34-1:【代码】作业实践框架讲解
- 34-2:【作业】第六章
- 第7章: 集群机器人运动规划
- 第1节: Multi-Agent Path Finding
- 第2节: VO类多机避障算法
- 第3节: 集群机器人编队算法
- 第4节: 分布式集群规划
- 第5节: Formation
- 第8章: 移动机器人局部规划:经典框架及案例
- 第1节: Fast-planner算法原理
- 第2节: Fast-planner代码讲解
- 第3节: Ego-planner算法原理
- 第4节: Ego-planner代码讲解
- 第5节: Occupancy Grid Map and ESDF Map
- 第6节: EGO-Planner在无人机上的效果展示

理由3
理论结合实践,学以致用
实践1:A*和JPS搜索算法
学习A*算法的基本原理,对比不同的启发式函数对算法运行效率的影响,学习基于A*而衍生出的不同优化方法,对比JPS和A*算法效率的差异。
实践2:RRT和RRT*采样算法
学习RRT算法的基本原理,包括Sampling,Nearest,Collision-checking几个重要模块,并掌握由RRT算法派生出的RRT*,informed RRT*等各种方法。
实践3:Local lattice planner算法
学习基于运动学约束的路径搜索算法,能够生成满足运动学约束的轨迹空间,采用OBVP问题模型设计代价函数,最终搜索出一条相对光滑的轨迹。
实践4:Minimum Snap算法
学习最基本的轨迹优化算法Minimum Snap,考虑数值稳定性问题建立QP问题模型,分别采用QP求解器和求闭式解的方法求解轨迹优化问题,并通过调整每段轨迹的时间长度来观察轨迹的变化。
实践5MPC运动规划算法
学习MPC算法,设计三维三阶积分器让飞机执行预定轨迹。学习通用BSCP算法和PSO算法,找到线速度和角速度的最优组合使得小车能够从地图上任何位置回到地图中心。
实践6运动规划框架
学习基本运动规划框架,串联整个课程所学内容。包括路径规划模块,轨迹优化模块以及重规划问题。

理由4
学员首肯,获益良多