01
课程导论
什么是动态路径规划？为什么在避障中如此重要？课程目标与学习路径。
概览入门
02
环境感知基础
传感器概览（激光雷达、摄像头、超声波），环境表示方法（栅格地图、拓扑地图）。
感知传感器
03
坐标变换与运动模型
机器人坐标系、全局坐标系、坐标变换矩阵，差速轮与阿克曼运动模型。
数学运动学
04
经典全局路径规划
Dijkstra算法原理与实现，A*算法原理与启发式函数设计。
算法全局
05
A*算法实战
在栅格地图上实现A*寻路，代码调试与可视化。
实战Python
06
局部路径规划概览
为什么需要局部规划？动态窗口法(DWA)与时间弹性带(TEB)简介。
局部概念
07
动态窗口法(DWA)详解
速度空间采样、轨迹预测、评价函数设计。
DWA核心
08
DWA算法实战
Python实现DWA，在仿真环境中避障。
实战仿真
09
时间弹性带(TEB)算法
原理、图优化框架、与DWA的对比。
TEB优化
10
TEB算法实战
基于TEB的路径优化与避障，参数调优经验。
实战调参
11
人工势场法(APF)
引力场、斥力场、局部极小值问题及改进。
APF经典
12
快速随机搜索树(RRT)
原理、RRT与RRT*算法，在复杂环境中的应用。
RRT采样
13
RRT算法实战
Python实现RRT路径规划，处理狭窄通道。
实战狭窄
14
概率路线图(PRM)
学习阶段与查询阶段，多查询规划。
PRM多查询
15
混合规划框架
全局+局部规划协同，A*与DWA的经典组合。
混合协同
16
动态障碍物处理
障碍物速度估计、碰撞锥、速度障碍法(VO)。
动态VO
17
速度障碍法(VO)与互惠速度障碍法(RVO)
多智能体避障原理。
RVO多智能体
18
最优互惠碰撞避免(ORCA)
原理、实现与在多机器人系统中的应用。
ORCA密集
19
基于学习的路径规划
深度强化学习(DRL)基础，从仿真到真机迁移。
DRL迁移
20
深度Q网络(DQN)在避障中的应用
状态空间、动作空间、奖励函数设计。
DQN值函数
21
策略梯度与PPO算法
连续动作空间的路径规划。
PPO连续
22
模仿学习与行为克隆
从专家演示中学习避障策略。
模仿演示
23
模型预测控制(MPC)在路径规划中的应用
原理、线性MPC与非线性MPC。
MPC预测
24
MPC实战
基于Python的MPC路径跟踪与避障。
实战跟踪
25
多传感器融合
卡尔曼滤波、扩展卡尔曼滤波(EKF)在状态估计中的应用。
EKF融合
26
SLAM与路径规划的结合
实时建图与规划，探索与避障的平衡。
SLAM探索
27
ROS导航栈详解
move_base、costmap、global_planner与local_planner。
ROS导航
28
ROS实战
在Gazebo仿真中部署完整的导航与避障系统。
Gazebo部署
29
工程化与性能优化
实时性要求、代码优化、嵌入式部署考量。
优化嵌入式
30
课程总结与未来展望
当前技术瓶颈、前沿方向（端到端、大模型辅助规划）。
前沿总结