基于模型预测控制的路径规划
包括Tube-MPC等,这个似乎是深蓝学院的课程中的一部分,B站上有视频,github上也能找到对应代码,我就不发有人盗版出来的深蓝学院的github连接了,感觉这样是侵权行为:
8基于模型预测控制的路径规划_明码的博客-CSDN博客_管道模型预测控制一个tubeMPC github仓库,没仔细看过,搜索了关键词:
https://github.com/ZehuaJia/Tube-based-MPC-for-nonlinear-systems/blob/main/NMPC_get_max_terminal_Tube.m参数最优控制,基于控制参数的梯度法优化:
论文Reactive Nonholonomic Trajectory Generation via Parametric Optimal Control的解析,经典的参数最优控制方法:
【轨迹生成】参数化最优控制 约束-控制-图形参数论文Optimal rough terrain trajectory generation for wheeled mobile robots
论文State Space Sampling of Feasible Motions for High-Performance Mobile Robot Navigation in Complex Environments,与上面的论文一个思路,以上的三个论文的方法都很像,构造lagrangian, 将g(x)约束放进Lag中,对控制u求导,迭代求解最优控制序列。
Python robotics 基于上面的思路的复现,这里是csdn网友写的解析,很详细,分别是原理 + 代码注释,解析了上面的两个论文的方法,并且对于代码做了注释
读PythonRobotics StateLatticePlanner源码-原理篇读PythonRobotics StateLatticePlanner源码-代码注释篇其中还有庞特里亚金最小值原理,变分法的经典应用,当然这是另一个思路分支了,与上面无关,我的博客写的最详细,看我的就行:
论文推土机:庞特里亚金最小值原理解最优控制问题