机器人和自主系统的MATLAB和Simulink

开发从感知到运动的自主应用程序,优化系统级行为

机器人研究人员和工程师使用MATLAB®和仿真软件®设计、模拟和验证自动系统的各个方面,从感知到运动。

  • 为机器人系统建模,精确到传感器噪声和电机振动等最精细的细节。
  • 模拟机器人系统具有精确的运动学、动力学和接触特性。
  • 设计和优化高层自治和低层控制。
  • 综合和分析传感器数据与维护的算法库。
  • 从仿真到硬件在环(HIL)测试,逐步验证机器人设计或算法。
  • 通过ROS将算法部署到机器人或直接部署到微控制器、fpga、plc和gpu。

“基于模型的设计和自动代码生成使我们能够处理敏捷Justin的53个自由度的复杂性。如果没有基于模型的设计,就不可能为如此复杂的机器人系统构建具有硬实时性能的控制器。”

Berthold Bäuml,德国航天中心(DLR)

硬件平台设计

创建自动驾驶汽车、无人机和机械手的3D物理模型或机电模型,用于仿真、优化和强化控制算法的学习。

  • 从URDF文件或CAD软件导入现有的3D模型。
  • 通过实现动力学、接触、液压和气动,使模型物理精确。
  • 通过添加电气图层来完成数字双胞胎。


感知环境

处理传感器数据

在MATLAB和Simulink中使用功能强大的工具箱实现传感器数据处理算法。

  • 通过ROS、Serial和其他类型的协议连接到传感器。
  • 可视化来自摄像头、声纳、激光雷达、GPS和imu的数据。自动化常见的传感器处理任务,如传感器融合、滤波、几何变换、分割和配准。


感知环境

使用内置的交互式MATLAB应用程序实现目标检测和跟踪、定位和映射算法。

  • 实验和评估不同的神经网络的图像分类,回归,和特征检测。
  • 自动将算法转换为C/ c++、定点、HDL或CUDA®用于部署到硬件的代码。

感知环境

规划与决策

使用主动维护的算法库来实现机器人的2D或3D路径规划,机器人要么被定义为一个点质量,要么被定义为一个具有运动学和动力学约束的系统。使用Stateflow执行任务计划®,定义实时决策所需的条件和行动。


设计控制系统

使用内置的交互式MATLAB应用程序分析复杂系统在时域和频域的行为。采用确定性方法、优化方法或强化学习方法设计反馈控制器。

设计控制系统

连接硬件

与平台和目标沟通

将自主算法部署到基于ros的系统和微控制器(如Arduino)®和树莓π™。通过协议与嵌入式目标通信,包括CAN, EtherCAT®, 802.11™,tcp / ip, udp, i2c, spi, modbus®,蓝牙®


“通过MATLAB和Simulink,我们可以使用单一的环境进行控制算法开发、调试、数据分析等,而不必在多个工具之间切换。这种集成减少了整个项目开发时间和引入错误的机会。”

约翰·温博士,伦斯勒理工学院
Baidu
map