Python 算法集

01 目录

环境需求

怎样使用

本地化

扩展卡尔曼滤波本地化

无损卡尔曼滤波本地化

粒子滤波本地化

直方图滤波本地化

映射

高斯网格映射

光线投射网格映射

k均值物体聚类

圆形拟合物体形状识别

SLAM

迭代最近点匹配

EKF SLAM

FastSLAM 1.0

FastSLAM 2.0

基于图的SLAM

路径规划

动态窗口方式

基于网格的搜索

迪杰斯特拉算法

A*算法

势场算法

模型预测路径生成

路径优化示例

查找表生成示例

状态晶格规划

均匀极性采样（Uniform polar sampling）

偏差极性采样（Biased polar sampling）

路线采样（Lane sampling）

随机路径图（PRM）规划

Voronoi路径图规划

快速搜索随机树（RRT）

基本RRT

RRT*

基于Dubins路径的RRT

基于Dubins路径的RRT*

基于reeds-shepp路径的RRT*

Informed RRT*

批量Informed RRT*

三次样条规划

B样条规划

贝济埃路径规划

五次多项式规划

Dubins路径规划

Reeds Shepp路径规划

基于LQR的路径规划

Frenet Frame中的最优路径

路径跟踪

纯追迹跟踪

史坦利控制

后轮反馈控制

线性二次regulator（LQR）转向控制

线性二次regulator（LQR）转向和速度控制

02 环境需求

Python 3.6.x

numpy

scipy

matplotlib

pandas

cvxpy 0.4.x

03 怎样使用

1、安装必要的库；

2、克隆本代码仓库；

3、执行每个目录下的python脚本；

4、如果你喜欢，则收藏本代码库。

04 本地化

1.扩展卡尔曼滤波本地化

该算法利用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）实现传感器混合本地化。

蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为EKF估算的路径。红色椭圆为EKF估算的协方差。

2.无损卡尔曼滤波本地化

该算法利用无损卡尔曼滤波器（Unscented Kalman Filter, UKF）实现传感器混合本地化。

线和点的含义与EKF模拟的例子相同。

3. 粒子滤波本地化

该算法利用粒子滤波器（Particle Filter, PF）实现传感器混合本地化。

蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为PF估算的路径。

该算法假设机器人能够测量与地标（RFID）之间的距离。PF本地化会用到该测量结果。

4. 直方图滤波本地化

该算法是利用直方图滤波器（Histogram filter）实现二维本地化的例子。

红十字是实际位置，黑点是RFID的位置。蓝色格子是直方图滤波器的概率位置。在该模拟中，x，y是未知数，yaw已知。滤波器整合了速度输入和从RFID获得距离观测数据进行本地化。不需要初始位置。

05 映射

1. 高斯网格映射

本算法是二维高斯网格映射（Gaussian grid mapping）的例子。

2. 光线投射网格映射

本算法是二维光线投射网格映射（Ray casting grid map）的例子。

3. k均值物体聚类

本算法是使用k均值算法进行二维物体聚类的例子。

4. 圆形拟合物体形状识别

本算法是使用圆形拟合进行物体形状识别的例子。

未完待续！！！！！