第 26 章介绍机器人学的核心问题，涵盖感知、定位、规划与控制。重点包括：

机器人运动学

• 差速驱动：线速度 v = (vᵣ + vₗ) / 2，角速度 ω = (vᵣ - vₗ) / d
• 配置空间（C-Space）：将机器人膨胀为点，障碍物相应膨胀
• 工作空间与配置空间的映射

定位（Localization）

• 马尔可夫定位：信念 Bel(x) 的预测-更新循环
• 扩展卡尔曼滤波（EKF）：线性化近似，适合单峰分布
• 粒子滤波（PF）：非参数表示，适合多峰分布和全局定位
• 起始位置未知时应选用粒子滤波

同时定位与建图（SLAM）

• 问题定义：在未知环境中同时估计机器人位姿和地图
• Graph-SLAM：节点表示位姿，边表示约束，全局优化误差
• 相比 EKF-SLAM 的优势：大规模地图、计算效率、收敛性

路径规划

• A* 算法：已知全局地图中的最优路径搜索
• RRT（快速随机扩展树）：适用于高维空间和未知环境
• D* Lite：动态障碍物环境中的实时重规划

控制

• PID 控制：u(t) = Kₚ·e(t) + Kᵢ·∫e(t)dt + Kd·de/dt
• 速度跟踪、姿态控制等闭环反馈

系统设计示例

• 自主清扫机器人：传感器（激光雷达、里程计、摄像头）、SLAM 定位、覆盖路径规划（Z 字形 / 随机覆盖）、低电量回充
• 仿真环境训练与真实道路部署的安全性评估