ربات‌های خودران: الگوریتم‌های برنامه‌ریزی حرکت ناهولونومیک

آنچه یاد خواهید گرفت:

• یادگیری الگوریتم منحنی Dubins برای تولید مسیرهای نرم بین دو نقطه مسیر روی نقشه
• محاسبه یک مسیر با استفاده از الگوریتم‌های درخت‌های تصادفی با بررسی سریع (RRT) و *RRT ترکیب‌شده با منحنی‌های Dubins
• یادگیری مبانی برنامه‌ریزی افزایشی مسیر برای کاربردهای بلادرنگ
• تعیین یک مسیر با استفاده از RRT افزایشی همراه با منحنی‌های Dubins و تحلیل کمی نتایج

توضیحات دوره

نکته مهم:

این دوره بخش دوم دوره رایگان مدرس با عنوان مقدمه‌ای بر الگوریتم‌های برنامه‌ریزی حرکت مبتنی بر نمونه‌گیری است.

با این وجود، اگر پیش‌تر دوره مقدمه‌ای بر الگوریتم‌های برنامه‌ریزی حرکت مبتنی بر نمونه‌گیری را تکمیل کرده باشید، یک مزیت محسوب می‌شود.

نکات برجسته

• یادگیری تبدیل‌های آفین و ماتریس‌های چرخش برداری
• استخراج مسیر Dubins برای تولید مسیرهای نرم با داشتن دو نقطه روی نقشه
• ترکیب مسیر Dubins با الگوریتم‌های برنامه‌ریزی حرکت RRT و RRT*
• 4 تمرین تعاملی

توضیحات

• برنامه‌ریزی حرکت حوزه‌ای از مهندسی است که با محاسبه مسیری از یک مکان شروع تا هدف سروکار دارد، ضمن اجتناب از موانع، به عنوان مثال مانند استفاده از Google Maps یا Apple Maps.
• اکثریت قریب به اتفاق وسایل نقلیه در جهان امروز (خودروها، قایق‌ها، هواپیماها) ناهولونومیک هستند، به این معنا که درجات آزادی حرکت محدودی نسبت به فضای موجود دارند.
• به عنوان مثال، به جابه‌جا کردن یک خودرو بین محل‌های پارک مجاور فکر کنید. خودرو نمی‌تواند به صورت جانبی وارد محل پارک دوم شود. باید دنده عقب گرفته و بپیچد یا یک مسیر دایره‌ای را طی کند.
• با داشتن دو موقعیت و جهت‌گیری دلخواه روی نقشه، وظیفه یافتن مسیری نرم است که محدودیت‌های سرعت وسیله نقلیه را برآورده سازد. این امر با استفاده از مسیر Dubins محقق می‌شود.
• در این دوره، یاد خواهید گرفت که چگونه مسیر Dubins را از اصول اولیه استخراج کرده و همچنین این روش را از طریق یک تمرین پیاده‌سازی و آزمایش کنید. در ادامه، یاد خواهید گرفت که چگونه این نظریه را با الگوریتم‌های برنامه‌ریزی حرکت مبتنی بر نمونه‌گیری ترکیب کنید. دو تمرین بعدی شامل یافتن مسیر با استفاده از RRT و *RRT به همراه مسیر Dubins خواهد بود.
• در نهایت، آخرین تمرین شامل RRT افزایشی به همراه مسیر Dubins برای یک سناریوی واقعی نقشه راه خواهد بود، جایی که وسیله نقلیه اطلاعات محدودی دارد.

پیش‌نیازها

• Python ،Numpy و Matplotlib
• درک اولیه از اسکالرها و بردارها
• شما می‌توانید این دوره را با استفاده از یک زبان برنامه‌نویسی دیگر نیز تکمیل کنید، اما در این صورت باید تمرین‌ها را خودتان به آن زبان خاص برگردانید.

این دوره برای چه کسانی مناسب است؟

• هرکسی که به خودرانی، رباتیک، الگوریتم‌ها و برنامه‌ریزی مسیر علاقه‌مند است.