机器人实验报告 第1篇
最后,运行程序
如果收到关于matplotlib库的警告,请忽略。现在,等待程序生成路径并将其存储在/home/workspace/RoboND-A-Visualization/Images目录中!
生成路径
地图图例
绿色:未知/未发现区域
红色:空置区域
黑色:已占用区域
蓝色:最短路径
参考代码如下:
机器人实验报告 第2篇
最后一步是打印机器人从起点到目标所需要的最短路径。需要记录机器人应该采取的每个动作(例如:左转<),并将所有动作存储在一个策略2D向量中。
下面是运行代码后生成的输出策略向量:
可以看到不同的动作(v - > - < - ^)是机器人为了达到*标记的目标所必须采取的措施。其中一些单元格将永远不会被机器人访问,并被标记为“-”。现在,继续修改搜索函数以生成策略2D Vector。
参考代码如下:
机器人实验报告 第3篇
现在不是用最小路径代价g来扩展单元格,而是用最小的f值来扩展单元格f值是路径代价g和单元格的启发式值h的总和。
f=g+h
现在每个单元格都用四元组值[f,g,x,y]表示,而不是三元组值[g,x,y]。
机器人实验报告 第4篇
本实验任务:编写前面学过的两个路径规划算法。
首先用C++编写Breadth-first搜索算法。该算法分为不同的编码测验,最终生成机器人从起点移动到目标的最短路径。
然后,将继续进行必要的更改,以编写A*算法。在对BFS和A*算法进行编码之后,将可视化地比较生成的扩展列表。仔细检查后,判断哪种算法更有效。
在本实验的后面部分,将把A*算法应用到现实世界的问题中。实际问题只是使用占用网格映射算法生成的地图。