part1：
規劃的本質是搜尋，即在構造空間中搜尋處一條最優的軌跡，它包含了路徑資訊和速度配置資訊。
規劃在不同的領域有不同的含義：機械人領域：涉及rrt， a*，d* 等，控制領域，涉及mpc,lqr等，
而在最新的人工智慧領域，是生成狀態道動作的對映，如強化學習，模仿學習等。
無人車的規劃問題，如果簡單定義為乙個路徑搜尋問題（靜態路網路徑查詢），典型的可以使用bfs dfs a*等
多種方法。這些方法需要我們對全域性路網都有乙個預先的認知。但事實上我們只能得到附近的環境資訊，此時我們
可以用貪心的策略，或者一種增量式的手段解決。對於動態路網，還有d*演算法，d*也是目前月球無人車領域的主流
演算法。有乙個目標函式，可以衡量距離，平滑度等等；啟發式搜尋的方法；區域性規劃中的增量式搜尋（貪心）的思想
但還缺少不少東西：
對動態障礙物的考慮；計算的實時性要求；考慮運動學約束（汽車是典型的非完整約束系統）；交通規則的考慮；
part2：
運動規劃的基本方法有：
rrt 、lattice（+polinomial）、基於優化的方法
【ps: 貌似目前是基於取樣和基於優化的兩種方法，基本上以基於優化的方法為主，基於lattice的方法計算量，調參難度更大一些】
首先，我們需要解決的問題是連續空間如何離散化的問題。
方法之一是 roadmap法 。構造乙個簡單的連通圖，visibility graph將起始節點，所有障礙物的頂點和目標節點相互連線來構建路線圖。這種方法對原始空間做了很多的抽象，把空間事實上降為成了一維的線路圖，在連線結束時，建圖的工作也完成了，圖搜尋只需要在這些已有的線中找結果就可以了。
方法之二是比較主流的網格劃分法。cell decomposition將整個空間分割成乙個個cell。
方法之三就是，potential field勢場法，就是直接用微分方法處理。其實就是優化法最後所用的方法
prm演算法：一種常用的抽象連續空間的方法叫做prm（隨機路標圖演算法）。它在整個配置空間隨機取樣一些點，如果點在障礙物上則去掉，然後將這些點連線起來，如下圖所示的紫色點，最終點與點之間連城路網，當然，我們可以控制撒點的數量，以及周圍連線點的個數等等。對於區域性感知，我們可以用增量式的演算法解決問題。
rrt演算法：（一種增量式的搜尋prm方法）以根節點為起始點，然後隨機取樣，增加葉子節點。每次撒點之後，若在目標點附近，則完成搜尋，否則，選取已有節點中離新撒的點最近的點做延伸，如果被擋了就重新撒點。這種演算法能夠快速找出一條路徑，但是他的曲率是不連續的。mit提出使用平滑曲線進行連線的方法。但是該方法得到的路徑還是不夠平滑，另外對動態障礙物的處理也存在問題。
lattice網格法：這種方法就是網格化後對不同路徑取樣，正常情況下這種方法的搜尋空間是呈指數增長的。許多**的工作是如何剪枝，壓縮搜尋量，如固定每個距離上sampling的點，簡化計算。另外，在xy座標系撒點不合適，這種方法進一步變成了在sl座標系中撒點。sl座標系下，有乙個撒點方式是做分解，在s-t,l-t中分別取樣。此外，還可以使用路徑-速度迭代優化的方法對lattice方法進行優化，也就是polynomial方法。它將問題降維，分成了path 和 speed兩個維度逐漸優化，這是一種iterative的處理方式。
最後一種方法就是，還可以把曲線functional化，對整個問題建模，設計相應的代價函式。二次規劃就是其中一種常用的方法。
part3：
ACM模組解析之 動態規劃
動態規劃 一.簡介 在acm中，動態規劃是一種將乙個複雜問題分為多個簡單的小問題的思想。在使用動態規劃時，原問題須滿足重疊子問題和最優子結構這個性質。運用動態規劃思想設計的演算法一般比樸素的演算法高效很多。因為在計算某個狀態的時候，已經被計算的子問題將不需要重複計算，而是呼叫之前儲存下的結果。這樣就...
python筆記之模組
在當前檔案中匯入要使用的py檔案，那麼系統就會把被匯入的py檔案作為模組處理 模組是具有預編譯過程的 import model msg model.name print msg 匯入語句可以放在任意位置 將.py檔案作為匯入源，則該檔案就是模組，檔名就是模組名 import m2 函式名就是函式變數...
Lua學習筆記之模組
模組require 使用模組 module 建立模組 通過require 來載入乙個模組，返回乙個全域性變數table型別。local a require mod foo require 函式，搜尋模組名時，使用乙個 分隔的路徑。我遇到過乙個載入路徑的問題，最後得到的結論是 那一串路徑中一般第乙個 ...