运动规划决定了机器人能否避障绕行、能否高效抵达目标、能否稳定部署到真实场景，仅掌握算法理论与文献并不足以应对实际工程挑战。
（向右滑动查看更多图片）
随着行业应用深入，运动规划岗位需求持续增长。企业评估聚焦于算法的稳健实现、高仿真或真机环境的工程落地经验、以及对集群规划问题的理解。这些硬技能是区分工程师水平的关键。
目前移动机器人的主流规划算法包括A*, Dijkstra, RRT, MPC等。不同算法各有适用场景与技术侧重点，想要吃透算法核心原理、理清实际应用边界并完成工程落地，需要搭建系统完整的知识体系，而非零散的知识点学习。
为了方便大家学习，深蓝学院特别邀请了浙江大学控制学院副研究员高飞老师团队，共同研发了《移动机器人运动规划》课程。本课程兼顾学术前沿与工程实践，帮助学员构建完整的规划知识体系，掌握主流算法从原理到部署的全链路能力。
课程将以一个Project收尾，完整串联路径规划与轨迹优化两大核心模块，帮助大家系统掌握移动机器人规划系统的开发能力。扫码可试听以下课程：
扫码获取学习资料
扫码添加，咨询详情
讲师介绍
高飞
浙江大学控制科学与工程学院长聘副教授 博导
FAST实验室副主任、技术负责人
FAR课题组负责人
浙大湖州研究院集群机器人自主导航研究中心PI
智能无人系统协同导航控制技术联合实验室主任
课程大纲
项目实践
课程目标
传统路径规划算法
掌握以A*为代表的搜索类算法和RRT*为代表的采样类算法，并将其扩展成基于动力学的方法（Hybrid A* & Kinodynamic RRT*）。
经典轨迹优化算法
学习以MINCO为代表的后端轨迹优化算法，通过离散路径点和边值条件生成最优轨迹。进一步学习模型预测控制MPC类方法。
集群机器人运动规划算法
系统入门集群机器人规划算法，将搜索类算法拓展至multi-robot，并进一步掌握VO类多机器人避障算法，机器人编队算法以及分布式集群规划算法。
移动机器人规划框架
以著名的Fast-planner和ego-planner为例，同时讲解了机器人导航中最常用的概率栅格地图与ESDF地图，串联路径规划部分与轨迹优化部分，掌握完整的移动机器人规划框架。
学习收获
学习在复杂环境下让机器人自主高效地寻找路径，并生成机器人实际可以运动的安全轨迹和控制指令的方法;
机器人处于不同应用场景时，熟悉采用哪种Planning方法；
具备实现任意主流Planning算法，并部署在机器人上的能力，告别无脑调包；
具备在企业从事相关领域研发的能力，掌握冲击机器人顶会的一些方法。
扫码获取学习资料
扫码添加，咨询详情
热门跟贴