与技术一起进化
机器人与自动驾驶领域日新月异，记录每一次学习与转型
精选专栏
章节目录
1.轨迹优化的表述和ilqr的引出
本篇是新开设的专栏《从零做一个时空联合规划器》的开篇。本文从最基本的概念出发，引出轨迹优化问题和DDP/iLQR，本文主要内容为：轨迹优化问题表述+10个相关问答。通过本文，可以对整个优化问题有一个宏观的了解。
AL-iLQR实践指南 1.如何对给定控制序列做前向仿真并计算代价
理解轨迹优化的基本组成，学习如何对给定控制序列做前向仿真并计算代价，掌握 AL-iLQR 的基础概念与项目骨架
AL-iLQR实践指南 2.理解 Bellman 递推和 Riccati 方程
深入理解 Bellman 递推和 Riccati 方程，实现从给定控制到求解最优控制的跨越，掌握有限时域 LQR 的核心原理
AL-iLQR实践指南 3.将 LQR 推广到非线性系统，实现带正则化和线搜索的稳定 iLQR
将 LQR 推广到非线性系统，实现带正则化和线搜索的稳定 iLQR 求解器，掌握无约束轨迹优化的完整实现
AL-iLQR实践指南 4：各种约束如何建模
目标：理解如何用统一接口描述各种约束，并封装为「带约束的最优控制问题」
AL-iLQR实践指南 5：增广拉格朗日与 AL-iLQR 求解器
目标：理解如何将约束「塞进」代价函数，并组装完整的双层循环求解器
AL-iLQR实践指南6：解析求导后求解耗时150ms降到9ms
将求导方式从数值差分，改进为解析求导后，al-ilqr求解耗时从150ms降低到9ms，提升惊人
AL-iLQR实践指南7： 自车多圆拟合与碰撞约束
交互式学习多圆拟合自车建模、碰撞约束的数学推导、Jacobian 解析验证，以及增广拉格朗日如何把不等式约束融入 iLQR
最新博客
查看全部
OpenVLA和OmniVLA的一些对比
对比OpenVLA与OmniVLA的架构继承关系、模型结构差异与技术演进路线，从Llama-2基座到视觉-语言-动作多模态融合
OpenVLA技术演变：从操作任务到多模态导航OmniVLA
深入解析 VLA 技术的演进路线：从 RT-1 到 OpenVLA 再到 OmniVLA，理解视觉-语言-动作模型如何从机械臂操作走向多模态导航
ALM+LBFGS=混合A星终结者？
这篇论文提出了一个面向差速驱动机器人（包括轮式与履带式）的统一轨迹优化框架。作者基于瞬时旋转中心（ICR）建立通用运动学模型，并用运动状态表示法（在姿态与弧长空间构造多段多项式轨迹）使轨迹天然满足连续性和运动学约束。在约束处理上，论文创新性地结合了惩罚函数（处理速度、加速度、安全等不等式约束）与增广拉格朗日方法（仅处理终点位置等式约束），既保证了精度又提高了数值稳定性。