跳到主要內容
AI 武林
影片進階EN3,856 次觀看

Stanford AA274A Principles of Robotic Autonomy | Autumn 2019 | Motion Planning Sampling-Based

來源 Stanford Online

看影片(在新分頁開啟原站)連到 YouTube・Stanford Online

摘要

深入探討基於取樣的運動規劃演算法,介紹如何透過隨機或確定性取樣在配置空間中建立路徑圖。內容涵蓋 PRM 與 RRT 的原理、優勢與限制,並揭示確定性序列在理論與實務上均優於隨機取樣的關鍵發現。

This lecture explains sampling-based motion planning algorithms, comparing PRM and RRT, and reveals that deterministic sequences often outperform random sampling in both theory and practice.

摘要、重點與章節標題由語言模型整理,細節(誰說的、數字、先後)可能有誤;要引用請以原始內容為準。

重點

  • 基於取樣的演算法透過隱式碰撞檢查解決高維配置空間的規劃難題。
  • PRM 適合多查詢場景,RRT 則能高效探索未知區域。
  • 最新研究證明精心設計的確定性序列比隨機取樣更有效且具收斂保證。

章節

依話題轉折切分,標題由 AI 產生

  1. 00:06連續路徑規劃與配置空間縮小
  2. 06:41隱式障礙表示與碰撞檢查
  3. 16:19隨機取樣路徑搜尋流程
  4. 25:45工作空間幾何碰撞檢測庫
  5. 27:56隨機樹擴展策略與 Veronoi 偏置
  6. 36:27Lazy PRM 延遲碰撞驗證機制
  7. 39:12即時隨機樹增量拓撲特性
  8. 42:07高維度問題需指數級樣本數
  9. 44:50PRM 與 RT 的機率性可行性保證
  10. 50:31RT 路徑品質差且易陷入區域性
  11. 1:03:40RFT 與 FMT 最佳化路徑品質
  12. 1:06:18多機器人規劃與軌跡最佳化結合
  13. 1:11:37基於動力學的可達集規劃方法
  14. 1:18:13隨機取樣對安全認證與重用的影響

提到的工具與公司

  • PRM
  • RRT
  • Lazy PRM

適合誰看

正在學習機器人自主控制、運動規劃或相關演算法原理的學生與工程師。

摘要依據

講者
Motion Planning Sampling-Based
依據
自動字幕

為什麼排在這裡

人氣
0.93
新鮮
1.00

在主題頁與搜尋結果裡,名次由相關、人氣、新鮮三個分數決定;這一頁沒有搜尋的關鍵字,所以沒有相關分數。排序怎麼算

這個來源最近的內容

Stanford Online 的所有內容

摘要由 AI 根據原文產生,可能有誤;完整內容請看原站。看影片(在新分頁開啟原站)