基于GPPO算法的树莓派小车路径规划源码+详细文档+全部资料齐全 高分项目.zip

## 基于数智孪生构想的小车自主寻路实验 在所设想未来场景中，机器人、无人机、车辆会像人类一样，具有自主感知环境、理解环境，并具有自主生成针对环境中具体任务方案的能力。这些无人设备可以自主进行探索寻路、信息采集、救援等复杂的任务，而无需人为规划。基于此设想中的需求，实现了一个复杂的车辆寻路物理空间，实现基于该复杂的物理空间的快速数字化技术，使得物理空间中小车能够针对不同任务迅速生成数字化建模虚拟空间，并在生成的虚拟空间中进行强化学习训练，最终产生任务方案，与真实环境联动完成任务。 ## 物理实验平台技术框架 #### 物理环境模型 基于实物的沙盘系统，包括桥梁、山体、山路、车库、沙地、草地、烟雾、风场、河流、森林、山体落石、沼泽、建筑废墟等环境场景。其中，沙地可通过调节振动调节车辆陷入程度；草地可通过工程机器人推倒植被；建筑废墟可变换推到填埋或堆砌模式；沼泽可通过密封水泡袋注水模拟沼泽阻力；山坡设有山坡公路及山坡野路，可被模拟碎石封路模式；河道上架有板桥可供通行，也可模拟断桥；风机系统可模拟大风环境。 #### 车辆操作系统 开发板型号: Raspberry Pi 4 model B 树莓派小车使用的为树莓派的官方桌面系统，树莓派官方网站 https://www.raspberrypi.org/ ## 实验虚拟平台仿真技术框架 #### 虚拟环境模型 基于unity构建了1：1大小的虚拟实验平台，虚拟场景进行物理状态的一对一映射，关键数据参数如机器人空间定位信息、温度湿度信息、智能车库位置传感器触发信息等映射误差小于10%，虚拟数据下发后实物系统根据控制指令在3s内可进行有效的动作相应进动，能够实现实体场地变化和虚拟场景变化的数据双向传输。 #### 定位 关于小车定位方面。本项目使用的是HTC vive追踪器、定位基站手机小车的坐标数据 #### 数据连接 RPC/目录是树莓派小车的控制驱动部分，以及树莓派小车与算法的交互部分 ## 训练算法 项目中的目录ppo为算法文件 算法是基于PPO算法进行了一定的调整 引用参考文献如下： [1] Schulman J , Wolski F , Dhariwal P , et al. Proximal Policy Optimization Algorithms[J]. 2017. ## 实验效果 ## 基于规则的虚实联动 规则实验效果视频： https://www.bilibili.com/video/BV1cr4y1D7p4/ [](https://www.bilibili.com/video/BV1cr4y1D7p4/) ## Todo List - 快速建模技术框架 - 基于物理的寻路任务训练效果 - 基于快速建模的虚拟环境寻 路任务训练效果