awesome-repositories.com
Blog
MCP
awesome-repositories.com

Entdecke die besten Open-Source-Repositories mit KI-gestützter Suche.

EntdeckenKuratierte SuchenOpen-Source-AlternativenSelf-hosted SoftwareBlogSitemap
ProjektMCP-ServerÜber unsRanking-MethodikPresse
RechtlichesDatenschutzAGB
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

3 Repos

Awesome GitHub RepositoriesMotion Planning

Algorithms for calculating safe and efficient trajectories in dynamic environments.

Distinguishing note: Focuses on real-time trajectory generation for autonomous agents.

Explore 3 awesome GitHub repositories matching artificial intelligence & ml · Motion Planning. Refine with filters or upvote what's useful.

Awesome Motion Planning GitHub Repositories

Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
  • apolloauto/apolloAvatar von ApolloAuto

    ApolloAuto/apollo

    26,676Auf GitHub ansehen↗

    Apollo ist ein umfassender Software-Stack für die Entwicklung autonomer Fahrzeuge, der die notwendigen Komponenten für Wahrnehmung, Planung und Steuerung bereitstellt. Er fungiert als leistungsstarke Robotik-Middleware und nutzt einen Publish-Subscribe-Datenbus, um eine latenzarme Kommunikation zwischen verteilten Modulen und Hardwaresensoren zu ermöglichen. Die Plattform integriert Daten von Kameras, Lidar und Radar über ein Sensorfusions-Framework, um ein Echtzeit-Umgebungsmodell für die Navigation zu generieren. Das System verfügt über ein komponentenbasiertes Laufzeit-Framework, das die Aufgabenplanung und Ressourcenallokation verwaltet, unterstützt durch eine Hardware-Abstraktionsschicht, die die Fahrlogik von spezifischen Fahrzeugkonfigurationen entkoppelt. Um ein konsistentes Verhalten während des Testens zu gewährleisten, enthält es eine deterministische Replay-Engine für Sensordatenströme und unterstützt Hardware-in-the-Loop-Simulation. Die Plattform verwendet zudem eine azyklische gerichtete Graph-Planung und Zero-Copy-Shared-Memory-Transport, um den Datenfluss und die Recheneffizienz in komplexen Robotersystemen zu optimieren. Die Software bietet eine standardisierte Fahrzeugsteuerungsschnittstelle, um Navigationsentscheidungen in mechanische Befehle zu übersetzen. Umfangreiche Dokumentationen sind verfügbar, einschließlich Installationsanweisungen, Hardware-Integrationsleitfäden und einer Reihe von Schnellstart-Handbüchern für verschiedene Versionen der Plattform.

    Calculates safe and efficient vehicle trajectories by analyzing dynamic obstacles and road conditions.

    C++apolloautonomous-drivingautonomous-vehicles
    Auf GitHub ansehen↗26,676
  • lexfridman/mit-deep-learningAvatar von lexfridman

    lexfridman/mit-deep-learning

    10,417Auf GitHub ansehen↗

    This project is a collection of deep learning courseware and instructional materials. It provides a structured curriculum and practical demonstrations covering the fundamentals of neural network architectures and artificial intelligence. The materials include specialized tutorials and guides on generative adversarial networks for synthetic data generation, as well as reinforcement learning resources focused on decision-making and motion planning for autonomous robotics. The content covers broad capability areas including computer vision development, the implementation of feed-forward and con

    Implements algorithms for calculating safe and efficient trajectories for autonomous agents using reinforcement learning.

    Jupyter Notebookartificial-intelligencedata-sciencedeep-learning
    Auf GitHub ansehen↗10,417
  • zhm-real/motionplanningAvatar von zhm-real

    zhm-real/MotionPlanning

    2,702Auf GitHub ansehen↗

    MotionPlanning is a software library designed for autonomous navigation, providing a comprehensive suite of tools for path planning, trajectory generation, and vehicle control. It enables the calculation of collision-free routes and dynamic movement paths for autonomous vehicles operating in complex, changing environments. The project distinguishes itself by integrating hierarchical motion decomposition, which separates high-level route planning from low-level trajectory generation to manage computational complexity. It employs kinematic bicycle modeling and trailer dynamics simulation to ens

    Integrates hierarchical motion decomposition to manage computational complexity in dynamic driving environments.

    Pythonautonomous-vehiclesfrenet-framesfront-wheel-feedback
    Auf GitHub ansehen↗2,702
  1. Home
  2. Artificial Intelligence & ML
  3. Motion Planning

Unter-Tags erkunden

  • Hierarchical Motion DecompositionArchitectural frameworks that separate high-level route planning from low-level trajectory generation. **Distinct from Motion Planning:** Distinct from general motion planning: focuses on the hierarchical separation of planning layers to manage complexity.