导读：本文是一些机器人算法（特别是自动导航算法）的Python代码合集。
其主要特点有以下三点：
- 选择了在实践中广泛应用的算法；
- 依赖最少；
- 容易阅读，容易理解每个算法的基本思想。
希望阅读本文后能对你有所帮助。
前排友情提示，文章较长，建议收藏后再看。
本文经授权转自公众号CSDN（ID：CSDNnews），译者：弯月
00 目录
环境需求
怎样使用
本地化
- 扩展卡尔曼滤波本地化
- 无损卡尔曼滤波本地化
- 粒子滤波本地化
- 直方图滤波本地化
映射
- 高斯网格映射
- 光线投射网格映射
- k均值物体聚类
- 圆形拟合物体形状识别
SLAM
- 迭代最近点匹配
- EKF SLAM
- FastSLAM 1.0
- FastSLAM 2.0
- 基于图的SLAM
路径规划
- 动态窗口方式
- 基于网格的搜索
- 迪杰斯特拉算法
- A*算法
- 势场算法
- 模型预测路径生成
- 路径优化示例
- 查找表生成示例
- 状态晶格规划
- 均匀极性采样（Uniform polar sampling）
- 偏差极性采样（Biased polar sampling）
- 路线采样（Lane sampling）
- 随机路径图（PRM）规划
- Voronoi路径图规划
- 快速搜索随机树（RRT）
- 基本RRT
- RRT*
- 基于Dubins路径的RRT
- 基于Dubins路径的RRT*
- 基于reeds-shepp路径的RRT*
- Informed RRT*
- 批量Informed RRT*
- 三次样条规划
- B样条规划
- 贝济埃路径规划
- 五次多项式规划
- Dubins路径规划
- Reeds Shepp路径规划
- 基于LQR的路径规划
- Frenet Frame中的最优路径
路径跟踪
- 纯追迹跟踪
- 史坦利控制
- 后轮反馈控制
- 线性二次regulator（LQR）转向控制
- 线性二次regulator（LQR）转向和速度控制
项目支持
01 环境需求
- Python 3.6.x
- numpy
- scipy
- matplotlib
- pandas
- cvxpy 0.4.x
02 怎样使用
- 安装必要的库；
- 克隆本代码仓库；
- 执行每个目录下的python脚本；
- 如果你喜欢，则收藏本代码库：）
03 本地化
1. 扩展卡尔曼滤波本地化
该算法利用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）实现传感器混合本地化。
蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为EKF估算的路径。
红色椭圆为EKF估算的协方差。
相关阅读：
概率机器人学
http://www.probabilistic-robotics.org/
2. 无损卡尔曼滤波本地化
该算法利用无损卡尔曼滤波器（Unscented Kalman Filter, UKF）实现传感器混合本地化。
线和点的含义与EKF模拟的例子相同。
相关阅读：
利用无差别训练过的无损卡尔曼滤波进行机器人移动本地化
https://www.researchgate.net/publication/267963417_Discriminatively_Trained_Unscented_Kalman_Filter_for_Mobile_Robot_Localization
3. 粒子滤波本地化
该算法利用粒子滤波器（Particle Filter, PF）实现传感器混合本地化。
蓝线为真实路径，黑线为导航推测路径（dead reckoning trajectory），绿点为位置观测（如GPS），红线为PF估算的路径。
该算法假设机器人能够测量与地标（RFID）之间的距离。
PF本地化会用到该测量结果。
相关阅读：
概率机器人学
http://www.probabilistic-robotics.org/
4. 直方图滤波本地化
