机器人算法的 Python 代码。
这是机器人算法的 Python 代码集合。
特征：
-
易于阅读，有助于理解每个算法的基本思想。
-
选择广泛使用且实用的算法。
-
最小的依赖性。
请参阅本文了解更多详细信息：
运行每个示例代码：
对于开发：
-
pytest（用于单元测试）
-
pytest-xdist（用于并行单元测试）
-
mypy（用于类型检查）
-
sphinx（用于文档生成）
-
pycodestyle（用于代码风格检查）
本自述文件仅显示了该项目的一些示例。
如果您对每种算法的其他示例或数学背景感兴趣，
您可以在线查看完整的文档：欢迎使用 PythonRobotics 的文档！— PythonRobotics 文档
所有动画 gif 都存储在这里：AtsushiSakai/PythonRoboticsGifs：PythonRobotics 的动画 gif
-
克隆这个仓库。
git clone https://github.com/AtsushiSakai/PythonRobotics.git -
安装所需的库。
-
使用康达：
conda env create -f requirements/environment.yml -
使用点：
pip install -r requirements/requirements.txt
-
在每个目录中执行python脚本。
-
如果您喜欢，请为该存储库添加星星 😃。
参考：
这是使用粒子滤波器（PF）的传感器融合定位。
蓝线是真实轨迹，黑线是航位推测轨迹，
红线是带有 PF 的估计轨迹。
假设机器人可以测量距地标的距离 (RFID)。
这些测量用于 PF 定位。
参考：
这是使用直方图滤波器的 2D 定位示例。
红十字是真实位置，黑点是RFID位置。
蓝色网格显示直方图滤波器的位置概率。
在此模拟中，x,y 未知，偏航已知。
该滤波器集成了来自 RFID 的速度输入和范围观测以进行定位。
不需要初始位置。
参考：
这是一个二维高斯网格映射示例。
这是一个 2D 射线投射网格映射示例。
此示例演示如何将 2D 范围测量转换为网格地图。
这是一个使用 k-means 算法的 2D 对象聚类。
这是一个用于车辆检测的二维矩形。
同步定位与建图 (SLAM) 示例
这是一个具有奇异值分解的 2D ICP 匹配示例。
它可以计算旋转矩阵，以及点与点之间的平移向量。
参考：
这是一个使用 FastSLAM 1.0 的基于特征的 SLAM 示例。
蓝线是地面实况，黑线是航位推算，红线是使用 FastSLAM 估计的轨迹。
红点是FastSLAM的粒子。
黑点是地标，蓝色十字是FastSLAM估计的地标位置。
参考：
这是使用动态窗口方法的 2D 导航示例代码。
这是基于 Dijkstra 算法的最短路径规划的二维网格。
在动画中，青色点是搜索到的节点。
这是一个基于二维网格的A星算法最短路径规划。
在动画中，青色点是搜索到的节点。
它的启发式是二维欧几里得距离。
这是一个基于二维网格的D星算法最短路径规划。
该动画显示机器人使用 D* 搜索算法找到避开障碍物的路径。
参考：
该算法在发现障碍物时重新路由时找到两点之间的最短路径。它已在此处针对 2D 网格实现。
该动画展示了机器人在使用 D* Lite 搜索算法发现障碍物时寻找其路径并重新规划路线以避开障碍物。
参考文献：
这是使用势场算法的基于二维网格的路径规划。
在动画中，蓝色热图显示了每个网格的潜在价值。
参考：
这是基于二维网格的覆盖路径规划模拟。
该脚本是带有状态格规划的路径规划代码。
该代码使用模型预测轨迹生成器来解决边界问题。
参考：
该 PRM 规划器使用 Dijkstra 方法进行图搜索。
动画中，蓝色点是采样点，
青色十字表示用 Dijkstra 方法搜索的点，
红线是PRM的最终路径。
参考：
这是带有 RRT* 的路径规划代码
黑色圆圈是障碍物，绿线是搜索到的树，红色十字是起点和目标位置。
参考：
<font style="vertical-align: inherit;"><font style="vertical-align: inherit;">）</font></font></p>
使用 RRT* 和 Reeds Shepp 路径规划器对汽车机器人进行路径规划。
这是使用 LQR-RRT* 的路径规划模拟。
双积分器运动模型用于 LQR 局部规划器。
参考：
使用五次多项式进行运动规划。
它可以根据五次多项式计算 2D 路径、速度和加速度曲线。
参考：
Reeds Shepp 路径规划的示例代码。
参考：
使用基于 LQR 的双积分器模型路径规划的示例代码。
这是 Frenet 框架中的最佳轨迹生成。
青色线是目标路线，黑色十字是障碍物。
红线是预测的路径。
参考：
这是移动到姿势控制的模拟
参考：
采用 Stanley 转向控制和 PID 速度控制的路径跟踪模拟。
参考：
具有后轮反馈转向控制和 PID 速度控制的路径跟踪模拟。
参考：
使用 LQR 速度和转向控制进行路径跟踪仿真。
参考：
具有迭代线性模型预测速度和转向控制的路径跟踪仿真。
参考：
使用 C-GMRES 的 NMPC 进行运动规划和路径跟踪仿真
参考：
N关节臂进行点控制模拟。
这是一个交互式模拟。
您可以通过左键单击绘图区域来设置末端执行器的目标位置。
不过，在此模拟中，N = 10，您可以更改它。
具有避障模拟功能的手臂导航。
这是四旋翼飞行器的 3D 轨迹跟踪模拟。
这是火箭动力着陆的 3D 轨迹生成模拟。
参考：
这是一个用于修改倒立摆脚步的双足规划器。
您可以设置足迹，规划器将自动修改这些足迹。
麻省理工学院
如果这个项目对您的机器人项目有帮助，请通过创建问题告诉我。
非常欢迎您使用 PythonRobotics 的机器人视频！
这是用户评论和参考的列表：users_comments
欢迎任何贡献！
请查看此文档：如何贡献 — PythonRobotics 文档
如果您在学术工作中使用该项目的代码，我们鼓励您引用我们的论文
如果您在工业中使用该项目的代码，我们也很乐意听取您的意见；请随时直接与开发人员联系。
如果您或您的公司愿意支持该项目，请考虑：
如果您想以其他方式支持我们，请联系创建问题。
他们为该 OSS 开发提供免费的 IDE 许可证。
他们正在为此 OSS 项目提供 1Password 团队许可证的免费许可证。