نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
بیاموزید که چگونه مسیرهای نرم برای وسایل نقلیه محاسبه کنید و این مهارت را با برنامهریزی مسیر مبتنی بر نمونهبرداری ترکیب نمایید!
الگوریتم منحنی دوبینز (Dubins Curve) را برای تولید مسیرهای نرم بین دو نقطه راهنما در نقشه بیاموزید.
با استفاده از الگوریتمهای درختهای تصادفی سریعاً کاوشگر (RRT) و RRT* در ترکیب با منحنیهای دوبینز، مسیر را محاسبه کنید.
مبانی برنامهریزی مسیر افزایشی (Incremental Path Planning) را برای کاربردهای بلادرنگ بیاموزید.
یک مسیر را با استفاده از RRT افزایشی به همراه منحنیهای دوبینز تعیین کرده و نتایج خود را به صورت کمی تحلیل کنید.
پیش نیازها: هیچ تجربه برنامهنویسی مورد نیاز نیست. من همه چیز را از صفر به شما آموزش خواهم داد.
توصیه میشود دانشجویان برای انجام تکالیف، پایتون نسخه 3.9.x، کتابخانه Numpy نسخه 1.23.x و Matplotlib نسخه 3.x را آماده داشته باشند.
نکته مهم:
این دوره بخش دوم دوره رایگان من با عنوان «مقدمهای بر الگوریتمهای برنامهریزی مسیر مبتنی بر نمونهبرداری» است.
با این حال، نیازی نیست حتماً ابتدا دوره رایگان را تمام کنید، زیرا من تمام مطالب دوره رایگان (و بسیار بیشتر از آن!) را در این دوره پوشش میدهم.
با این گفته، اگر قبلاً دوره «مقدمهای بر الگوریتمهای برنامهریزی مسیر مبتنی بر نمونهبرداری» را گذراندهاید، یک مزیت نسبت به دیگران خواهید داشت.
ویژگیهای برجسته:
یادگیری تبدیلات آفین و ماتریسهای دوران بردار.
استخراج مسیر دوبینز برای تولید مسیرهای نرم با داشتن دو نقطه روی نقشه.
ترکیب مسیر دوبینز با الگوریتمهای برنامهریزی مسیر RRT و RRT*.
۴ تکلیف تعاملی.
توضیحات
برنامهریزی مسیر (Motion Planning) حوزهای از مهندسی است که به محاسبه مسیری از نقطه شروع به مقصد با اجتناب از موانع میپردازد؛ مشابه کاری که گوگل مپ یا اپل مپ انجام میدهند.
اکثریت وسایل نقلیه در دنیای امروز (مانند خودروها، قایقها و هواپیماها) غیرهولونومیک (Non-holonomic) هستند، به این معنی که در فضای موجود، درجات آزادی محدودی برای حرکت دارند.
برای مثال، جابجایی یک ماشین بین پارکینگهای مجاور را تصور کنید. ماشین نمیتواند به صورت جانبی به پارکینگ دوم «سُر» بخورد. بلکه باید عقبگرد کرده و بچرخد تا وارد جای پارک شود، یا یک مسیر دایرهای را طی کند.
با داشتن دو موقعیت و جهت دلخواه روی نقشه، هدف یافتن مسیر نرمی است که محدودیتهای سرعت وسیله نقلیه را برآورده کند. این کار با استفاده از مسیر دوبینز انجام میشود.
در این دوره، یاد میگیرید که چگونه مسیر دوبینز را از اصول اولیه استخراج کنید و همچنین این روش را از طریق یک تکلیف پیادهسازی و آزمایش نمایید. سپس، یاد میگیرید که چگونه این تئوری را با الگوریتمهای برنامهریزی مسیر مبتنی بر نمونهبرداری ترکیب کنید. دو تکلیف بعدی شامل یافتن مسیر با استفاده از RRT و RRT* به همراه مسیر دوبینز خواهد بود.
در نهایت، تکلیف آخر شامل RRT افزایشی با مسیر دوبینز برای یک سناریوی واقعی نقشه راه خواهد بود، جایی که وسیله نقلیه اطلاعات محدودی دارد.
نیازمندیها
پایتون، Numpy و Matplotlib
درک پایه از اسکالرها و بردارها
شما میتوانید دوره را با زبان برنامهنویسی دیگری نیز بگذرانید، اما در این صورت باید تکالیف را شخصاً به آن زبان بازنویسی کنید.
سرفصل ها و درس ها
مقدمه
Introduction
مقدمه، مرور کلی دوره، ارتباط با مدرس و مبانی برنامهریزی مسیر
Introduction, Course Overview, Getting in Touch, Motion Planning Basics
مرور کلی: راهاندازی پایتون و تکالیف دوره
Overview: Setting up Python and the Course Assignments
تکلیف 0: مرور کلی
Assignment 0: Overview
تکلیف 0: پاسخ و حل
Assignment 0: Solution
مروری بر الگوریتمهای نمونهبرداری
Overview of Sampling Algorithms
نمایش نظرات