移动机器人运动规划-人工智能

算法数学

课程简介

《移动机器人运动规划-人工智能》系统讲解运动规划的中文课程，讲述最新，最实用的planning算法原理以及工程实现。重点讲述应用/实现/工程部分，学完可以直接应用于移动机器人中。【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型

已有 2 人浏览发布 2026-09-16 更新 2026-10-05

移动机器人运动规划处在几个学科的交叉点上：前端是机器人操作系统与传感器数据流，后端是搜索、采样、优化与几何推理。很多资料要么只讲教科书里的 A*、RRT 伪代码，要么直接给一个跑不通的工程仓库，中间那层“算法怎么落到可运行的代码里”往往被跳过。这份《移动机器人运动规划-人工智能》的定位正好卡在中间：它按规划算法的类型逐类展开，每类算法都从问题定义讲到实现取舍，重点放在工程部分，而不是停留在推导层面。

资料覆盖的技术栈与主线

从主题看，这门课的主线是移动机器人（差速、阿克曼或全向底盘）在二维/三维栅格与连续空间中的路径规划。围绕这条主线，会涉及几类典型方法：基于图搜索的 Dijkstra、A*、JPS 及其变体，基于采样的 RRT、RRT*、Informed RRT*，以及基于优化的轨迹生成与平滑（如时间弹性带、多项式轨迹、MPC 思路）。工程实现上通常会绑定 ROS/ROS2 的导航栈、代价地图（costmap）机制、全局规划器与局部规划器的分层结构，语言以 C++ 为主，部分示例可能带 Python 绑定。这些是理解课程代码结构的前提，读者最好先确认自己对这些概念不陌生。

项目结构与可复用模块

这类课程的资料包一般会按“基础算法 → 环境建模 → 全局规划 → 局部规划与避障 → 仿真验证”组织。真正有复用价值的是几个独立模块：一是地图与代价地图的数据结构及其膨胀层，决定了规划器能拿到什么样的可通行信息；二是各种规划器的统一接口（初始化、设置起点终点、计算路径、返回轨迹），这层抽象让不同算法可以互换对照；三是轨迹平滑与速度剖面模块，把离散路径转成机器人底盘能跟踪的连续轨迹；四是可视化与调试工具，用于观察搜索树扩展、代价分布和路径质量。带着“接口怎么设计、模块怎么解耦”的视角去看，比逐行抄代码收获更大。

适合拿来对照实践的方式

建议不要把它当视频连续剧看。更有效的做法是：选一个算法（比如 A* 或 RRT*），先在资料里看它的实现结构，然后在自己搭的仿真环境（Gazebo 或轻量 2D 仿真）里复现，调整分辨率、启发函数权重、采样步长等参数，观察路径长度、计算耗时和成功率的变化。遇到性能瓶颈时再回头看课程里的工程优化部分，比如搜索加速、采样偏置、增量式重规划。这种“先跑通、再调参、后优化”的循环，比按目录顺序被动看完更接近真实工程。

前置知识与自学衔接

要顺利消化内容，前置知识大致是：数据结构与图论基础、C++ 或 Python 的工程能力、坐标变换与基本几何、以及一点概率与优化常识（用于理解采样收敛性和轨迹优化）。如果某块偏弱，可以先把对应基础补上再回来，避免卡在实现细节上。学完之后，自然的延伸方向包括三维规划、多机器人协同、动态障碍下的预测与规划耦合，以及把规划结果接入真实底盘的调试流程。

整体来看，这份资料的价值在于提供了一套可对照、可修改的规划实现参考，而不是一份速查表。把它当工程手册用，边看边跑，才能把算法原理真正变成自己项目里能用的东西。

系统讲解运动规划的中文课程，讲述最新，最实用的planning算法原理以及工程实现。重点讲述应用/实现/工程部分，学完可以直接应用于移动机器人中。

课程推荐

视频目录（25 节）

* │      1.1课程总体介绍.mp4

* │      1.2课纲介绍与规划方法分类.mp4

* │      1.3常用地图结构与基础知识.mp4

* │      1.4实践演示.mp4

* │      2.1图搜索基础.mp4

* │      2.2Dijstra和Astar算法.mp4

* │      2.3JPS算法.mp4

* │      2.4实践演示与作业_.mp4

* │      3.1-3.2概率路线图算法.mp4

* │      3.3-3.4基于采样的最优路径规划算法.mp4

* │      4.1动力学概念简介.mp4

* │      4.2状态栅格搜索算法.mp4

* │      4.3两点边界最优控制问题.mp4

* │      4.4混合Astar算法.mp4

* │      4.5动力学约束RRTstar算法.mp4

* │      5.1MinimumSnap1.mp4

* │      5.2MinimumSnap2.mp4

* │      6.1轨迹优化.mp4

* │      6.2作业（视频尾部画面卡）.mp4

* │      7.1规划中的不确定性和马尔科夫决策过程.mp4

* │      7.2最小最大代价规划和最小期望代价规划.mp4

* │      7.3值迭代和实时动态规划.mp4

*         8.1.mp4

*         8.2.mp4

*         8.3.mp4