机器人与自主系统
开发从感知到运动的自主应用程序,优化系统级行为
机器人和自主系统描述了平台系统,如汽车、飞机、机器人和无人机,它们在物理环境中为面向目标的行动移动和操作。使用多个工具箱中的工具和算法,您可以模拟、估计、导航和控制平台状态,例如其位置和速度,以及监视物理环境。具体地说,您可以:
设计、建模和模拟自主系统场景,包括使用各种坐标系和地图的平台、轨迹、路径、传感器和环境。
生成和分类检测,估计平台,并获得各种环境地图。
针对机器人、无人机、汽车等不同的运动特性,采用不同的路径规划算法进行路径规划。
使用多种运动控制算法和策略控制机器人、无人机和汽车。
将软件设计与机器人操作系统(ROS)连接起来,并在硬件上部署所设计的估算、导航和控制算法。
2022世界杯八强谁会赢?机器人和自主系统产品
主题
场景设计与仿真
- 创建简单的RoadRunner场景(走鹃)
使用走鹃场景编辑软件创建一个简单的路网。 - 交互式创建驾驶场景并生成合成传感器数据(自动驾驶工具箱)
使用驾驶场景设计师应用程序创建一个驾驶场景,并从该场景生成传感器检测和点云数据。 - 在虚幻引擎环境中模拟简单的飞行场景和传感器(无人机工具箱)
在使用Epic Games®的虚幻引擎®的模拟环境中可视化传感器。 - 控制和模拟多个仓库机器人(机器人系统工具箱)
控制和模拟在仓库设施或配送中心工作的多个机器人。
检测和分类
- 使用激光雷达检测、分类和跟踪车辆(激光雷达工具箱)
通过使用安装在自我车辆上的激光雷达传感器捕获的激光雷达点云数据来检测、分类和跟踪车辆。 - 基于pointcolumns深度学习的激光雷达三维物体检测(激光雷达工具箱)
训练PointPillars网络,用于点云中的对象检测。
本地化和映射
- 根据激光雷达数据构建地图(自动驾驶工具箱)
在惯性测量单元(IMU)读数的帮助下,处理三维激光雷达传感器数据逐步构建地图。 - 使用段匹配构建地图和本地化(自动驾驶工具箱)
用激光雷达数据建立地图,并在地图上定位车辆的位置SegMatch
,一种基于分段匹配的位置识别算法。 - 无人机导航三维仿真中的立体视觉SLAM(无人机工具箱)
在虚幻引擎环境中使用立体视觉同步定位和映射生成城市街区场景的地图。
态势感知和状态估计
- 基于雷达和摄像机的公路车辆扩展目标跟踪(传感器融合和跟踪工具箱)
跟踪高速公路车辆周围的自我车辆作为扩展对象,跨越多个传感器分辨率单元。 - 利用合成数据的视觉惯性里程计(传感器融合和跟踪工具箱)
利用惯性测量单元(IMU)和单目相机估计地面车辆的姿态(位置和方向)。
运动规划
- 基于Frenet参考路径的目标跟踪与运动规划(传感器融合和跟踪工具箱)
根据对周围环境的估计动态规划自动驾驶汽车的运动。 - 基于RRT的固定翼无人机运动规划(无人机工具箱)
利用快速探索随机树(RRT)算法在三维地图上给定起始和目标位置,规划固定翼无人机(UAV)的运动。 - 使用点云处理和RRT路径规划的Gazebo取放工作流(机器人系统工具箱)
为KINOVA®Gen3等机器人机械手建立端到端、拾取和放置工作流程。
运动控制
- 高速公路车道跟随与RoadRunner场景(自动驾驶工具箱)
中创建的场景来模拟高速公路车道走鹃3D场景编辑工具。 - 在Simulink®中的路径跟随和障碍物回避(导航工具箱)
使用Simulink在跟随差动驱动机器人的路径时避开障碍物。 - 控制和模拟多个仓库机器人(机器人系统工具箱)
控制和模拟在仓库设施或配送中心工作的多个机器人。
硬件部署
- 利用惯性传感器融合和MPU-9250估计方向(传感器融合和跟踪工具箱)
从InvenSense的MPU-9250 IMU传感器获取数据,并使用传感器数据中的6轴和9轴融合算法计算设备的方向。 - MATLAB中的ROS符号跟随机器人(ROS工具箱)
使用MATLAB®通过ROS网络控制在基于ROS的单独模拟器上运行的模拟机器人。 - 蒙特卡罗定位算法在乌龟机器人定位中的应用(导航工具箱)
将蒙特卡罗定位算法应用于模拟Gazebo®环境中的TurtleBot®机器人。