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 0 人浏览发布 2026-09-16 更新 2026-09-16

移动机器人运动规划这门课，定位很清楚：它不负责把你培养成控制理论研究者，目标是把 planning 从论文里的符号系统，落成能在真机或仿真里跑起来的一段段可调试代码。所以看它的课纲，重点不在「覆盖面有多宽」，而在「每个算法讲到哪一层」——是停在公式推导，还是继续往下拆到工程实现。下面按几个角度拆一下这门课该怎么用。

课纲的含金量在「实现层」而不是「算法名单」

运动规划这个方向，算法名字大家都能背：A*、Dijkstra、RRT、RRT*、PRM、Lattice、EM Planner、TEB……光列名单没有意义。判断一门课值不值得精看，看的是它有没有把每个算法拆到「数据结构长什么样、代价函数怎么设计、采样之后怎么连边、碰撞检测调用谁」这一层。这门课标注的重点是应用/实现/工程，说明它大概率在算法讲完后会往代码侧走。你在试看时要重点确认两件事：一是伪代码和真实代码是否对得上，二是有没有给可运行的工程骨架。如果只有理论推导没有工程落地，那它和一本教材的区别就不大了。

值得精看的章节：采样类与图搜索的工程细节

基于搜索的规划：A* 的启发函数设计、栅格分辨率对结果的影响、膨胀半径怎么设。这几处是新手最容易在真机上翻车的地方，值得放慢看。
基于采样的规划：RRT 系列的扩展策略、RRT* 的渐近最优是怎么在代码里收敛的、采样偏置怎么调。这里能看出课程是不是真做过工程。
轨迹优化部分：如果课纲里有，这块是分水岭。它决定课程是停在「能找到路」还是能进到「路径好不好走、能不能被控制器跟踪」。
局部规划与避障：DWA、TEB 这类，配合代价地图一起看，是移动机器人最常直接上手的模块。

相对可以快过的，是纯数学铺垫章节——梯度、凸优化、李群这些，如果你有基础可以直接跳到后面的应用部分，需要时再回头补。

资料包怎么拆开用

这类课程的资料通常能切成三层。第一层是课件和笔记，用来快速过一遍算法脉络，适合通勤或碎片时间刷。第二层是代码工程，这是最该动手的部分，建议不要只读，而是把关键函数自己重写一遍，尤其是代价函数和碰撞检测接口。第三层是配置与参数文件，很多人忽略这里，但真机调参踩的坑大半出在这些地方，值得单独整理一份参数对照表。

如果资料里有仿真环境配置说明，优先把环境跑通再回头看理论，顺序反过来容易劝退。

学之前该有的底子，以及学完能到哪

这门课不是零基础友好型。至少需要：C++ 或 Python 能读懂类与指针、对坐标变换不陌生、知道栅格地图和代价地图是什么。缺这些直接进来，会在工程部分卡住。

学完的合理预期是：你能独立为一个差速或阿克曼底盘搭一条从全局规划到局部避障的链路，并知道每个环节的参数该往哪调。这已经够支撑简历里的一个机器人项目，但它不替代控制、定位、感知这些模块。把 planning 当成整条自主导航链路里的一环来学，心态会更稳。

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