
English: 
So here is an actual implementation from the DARPA Urban Challenge.
The Stanford trial car trying to find a way through a maze.
As you can see the maze is changing as the car moves.
This reflects of the fact that the car uses sensors to see obstacles,
and obstacles are sometimes included.
The car can only see them when they are nearby.
What's really remarkable here is that the car is able to
plan really complex maneuvers to the goal.
At any point in time we can see its best guess toward an open path to the goal.
The orange trees are A-star search trees.
They aren't exactly grid trees.
Our car moves differently from a grid-based robot.
It can turn at different angles, and each of these little steps is a different turning angle
combined with a different forward motion.
Leaving this aside you get these amazing trees
that find paths all the way to the goal using A-star.
This implimentation is so fast that it can plan these paths

Russian: 
Здесь фактическое осуществление от DARPA Urban Challenge.
Стэнфордский пробный автомобиль пытается найти путь через лабиринт.
Как вы можете видеть лабиринт меняется так же как автомобиль движется.
Это отражает тот факт, что автомобиль использует датчики, чтобы увидеть препятствия,
и иногда включаются в препятствия.
Автомобиль может только увидеть их, когда они находятся поблизости.
Что действительно примечательно здесь, что автомобиль способен
планировать действительно сложные маневры к цели.
В любой момент времени мы можем увидеть свое наилучшее предположение к открытым путям цели.
Апельсиновых деревья являются деревом поиска A-star.
Они не именно сетки деревьев.
Наш автомобиль движется по-разному от робота на основе сетки.
Он может повернуть под разными углами, и каждый из этих маленьких шагов является угол разных поворотов
в сочетании с другим передним движением.
Покинув эту сторону вы получаете эти удивительные деревья
которые находят пути к цели, с помощью A-star.
Эта имплиментация настолько быстрая, что он может планировать эти пути

Japanese: 
これがDARPAアーバン・チャレンジにおける
実際の実装例です
スタンフォード大学の試作車が
迷路を抜ける道を探しています
自動車が移動するにつれて迷路が変化しています
これは障害物の検出にセンサを使用し
障害物が繰り返し出現する事実を反映しています
自動車は障害物が
近くにあるときにのみ検出できます
注目すべきは自動車がゴールまでの
非常に複雑で巧妙な行動を計画できることです
最適な推測が行われているのが分かります
オレンジ色の木がA＊の探索木です
正確にはグリッドの木ではありません
グリッドベースのロボットとは異なる動作をします
あらゆる角度に向きを変えることができ
小さな各ステップは
異なる回転角と前進運動が組み合わさっています
またA＊を使用して
ゴールまでの経路を見つける
すばらしい木が得られます
この実装例は非常に処理速度が速いので

Chinese: 
这里是一个用在 DARPA 城市挑战赛中的真实算法实现
试验车 Stanford 试图在迷宫中找到一条路
大家可以看到 当汽车运行时 迷宫在不断变化
这显示出汽车正在用传感器探测障碍物
而障碍物在某些时候会被汽车考虑在内
因为只有在障碍物足够近时 汽车才会探测到它们
这是非常值得一提的是
这辆车可以规划出相当复杂的动作来到达目标
在任意时间点上 我们都可以看到 汽车做出了最佳决策找到出路并到达目标
这些橘色的树是 A-star 的搜索树
它们不是严格的网格树
该车的运动与基于网格的机器人有所不同
它可以以不同角度转弯 这里汽车走的每一小步
都是不同的转向角与不同前进动作结合的结果
把这些拿掉 我们就得到这些非常不错的树
它们使用 A-star 来找到通向目标的路径
这个实现运行得非常快

Japanese: 
これが DARPA Urban Challenge からの実際の実装です
スタンフォードトライアルカーは 迷路をぬける方法を見つけます
見てお分かりのように この迷路は車の動きに従って変化しています
これは 車が障害を把握するセンサーを使用していることが反映され
また障害が含まれていることもあります
車は障害が近くにきて初めて把握できます
ここで特に注目してもらうことは 車が
ゴールへの非常に複雑な戦略を計画できることです
ゆくゆくは ゴールへのオープンパスへのベストな予想がわかります
オレンジの木は A-star 検索ツリーです
グリッドツリーとは少し異なります
私たちの車はグリッドベースのロボットとは異なる動きをします
それは異なる角度で曲がれ またこれらの小さなステップのそれぞれは 異なる前に進む動きと組み合わせ
異なる曲がり角度です
これを横においておくと A-star を使用してゴールまでいくパスを見つける
これらの素晴らしいツリーを取得できます
この実装はとても高速で この迷路のどこの場所でも

Japanese: 
迷路内のどの場所でも
10ミリ秒以内に経路を計画できます
これはDARPAグランド・チャレンジまたは
アーバン・チャレンジにおいて
他のどのチームよりも速いものでした
計画はロボットが直前の計画を
取り消すたびに繰り返されます
時と場所に応じて追加調整が
行われていることが分かります
単純なユークリッド距離
ヒューリスティック関数を持つ
A＊計画がどのように
ゴールまでの経路を見つけるか
この映像から理解できると思います
皆さんが実装される場合 私たちのグリッド実装と
大きく異なるのは動作モデルです
皆さんは向きを変えられるロボットを実装し
そのための計算を記述しなければなりません
このロボットは後退可能で
これは明らかに異なる動作です
それ以外は皆さんが実装したのと
基本的に同じA＊アルゴリズムです
自動運転車を作る場合にはゴールまでの
極めて複雑で優れた探索アルゴリズムが
必要なのです
これはDARPAで
トラップとして道路の横幅いっぱいに

Chinese: 
它可以在小于10毫秒时间内 从这个迷宫中的任意一点出发计算出这些树来
据我所知 在参加 DARPA Grand 挑战赛和 DARPA 都市挑战赛的所有团队中
这个算法是最快的
每当机器人取消前一个规划时 这个算法便重新生成一个新的规划
大家可以看到在不同地方它所做的调整
当大家看完这个视频 大家就会明白
A-star 是如何使用一个简单的欧几里得距离作为启发值来找出到达目标的路径的
当大家自己实现这个算法后 大家就会知道
这个实现和网格实现的巨大区别在于 这是一个不同的运动模型
要实现它 你必须实现一个能够转向的机器人
你必须从数学上实现让它转向或者直行的算法
这个机器人还能重新规划路径 向后倒车操作和前面的操作有巨大区别
除了这个之外 这个机器人身上的算法和大家实现的基本相同
因此 如果你想要造一辆无人驾驶汽车出来
你现在已经能够做到实现一个相当复杂的、但是很有效的路径搜索算法

English: 
in less than 10 msec for any location in this maze.
It was faster than any other driving team that I know of at the DARPA Grand Challenge
or the DARPA Urban Challenge.
The planning is repeated every time the robot cancels the previous plan.
You can see additional adjustments at place at times.
As you go through this video you can see how A-star planning
with a simple Euclidean distance heuristic is able to find a path to the goal.
When you implement this yourself the big difference
or grid implementation is a different motion model.
You have to implement a robot that is able to turn
and you have to write on the math of what it is able to turn and go forward.
This robot also can be reworked, so going backwards is a distinct different action.
Other than that it is essentially the same A-star algorithm you just implemented.
So if you want to build a self-driving car you now understand
to make a really complex, nice search algorithm to find a path to a goal.

Japanese: 
 10 秒以内にこれらのパスを計画できます
それは 私が知っている DARPA Grand Challenge や DARPA Urban Challenge の
どの運転チームより速かったです
ロボットが前のプランをキャンセルするたびに プランニングは繰り返されます
場所と時間での追加調整がわかると思います
このビデオを見ていく中で ゴールへのパスを見つけることができる シンプルなユークリッド距離のヒューリスティックで
 A-starがどのようにプランニングを行っているのかがわかります
これを自分で実装すると 大きな違い
またはグリッド実装は異なるモーションモデルです
曲がることができるロボットを実装しなければなりません
また 曲がったり直進したりできる数式を記述する必要があります
このロボットは やり直しすることもできます バックすることは全く異なるアクションです
それ以外は 基本的に今実装した A-star のアルゴリズムと同じです
自動運転車を構築する場合は ゴールへのパスを見つけるために 非常に複雑でしっかりとした検索アルゴリズム
を作成するということが理解できました

Russian: 
в менее чем 10 мс для любого местоположения в этом лабиринте.
Он был быстрее, чем любая другая команда вождения, что я знаю на DARPA Grand Challenge
или DARPA Urban Challenge.
Планирование повторяется каждый раз, когда робот отменяет предыдущий план.
Вы можете увидеть дополнительные корректировки в месте, время от времени.
Если вы пройдете через это видео вы можете увидеть как A-star планированирует
с простым евклидовым расстоянием эвристическая функция имеет возможность найти путь к цели.
Когда это самостоятельно реализовывать большая разница
или реализация сетка, является различным движением модели.
Вам необходимо реализовать робота, который может повернуть
и вы должны написать на математике из того, что она способна повернуть и идти вперед.
Этот робот также может быть переработан, так что идя назад происходят различных действий.
Помимо этого это по сути тот же алгоритм A-star, которую вы только что реализовали.
Так что если вы хотите построить самодвижущийся автомобиль теперь вы понимаете
чтобы сделать сложный, хороший алгоритм поиска чтоб найти путь к цели.

Russian: 
Так что это сцена, где DARPA улавливает наш автомобиль с помощью барьера, который пошел все через улицу.
Поэтому единственным способом для автомобиля для навигации это было взять много поляризованных u-turn,
и ему пришлось планировать это саму по себе с помощью A-star планирования.
Автомобиль идет до барьера, понимает что нет пути идти,
и вызывает его A-star планировщик и приходит с маневром поворота вокруг,
Это не особенно элегантно, но это супер эффективно.
Автомобиль был в состоянии в этой конкуренции сам по себе повернуть вокруг с помощью A-star,
найти оптимальный план, чтобы сделать это и двигаться дальше.
В противном случае он бы застрял навсегда после этого препятствия.
В этом заключительном видео я покажу вам парковочную ситуацию, когда автомобиль должен вернуться в
парковочное место между двумя другими автомобилями и вы можете увидеть, как видны препятствия,
как эти автомобили являются видимыми, и как наш автомобиль, Jr, переходит фактической охраняемая автостоянка.
Опять же это использование A-star.

English: 
So this is a scene where DARPA trapped our car using a barrier that went all across the street.
So the only way for the car to navigate this was to take a multi poled u-turn,
and it had to plan this all by itself using A-star planning.
The car pulls up to the barrier, realizes there's no path to go,
and invokes its A-star planner and comes up with a turn-around maneuver,
that is not particularly elegant, but it's super effective.
The car was able in this competition by itself to turn around using A-star,
find the optimal plan to do so, and move on.
Otherwise it would have been stuck forever behind this obstacle.
In this final video I'll show you a parking situation where the car has to back into a
parking space between two other cars, and you can see how the obstacles are visible,
how these other cars are visible, and how our vehicle, Jr, navigates an actual parking lot.
Again this is using A-star.

Japanese: 
障害物が設置されている状況を表しています
車をナビゲートする唯一の方法は
マルチポールUターン方式を取ることです
この動作にはA＊計画を
使用しなければなりませんでした
車は障害物に近づくと
進むべき経路がないことを認識し
A＊プランナを起動して
方向転換の操作を導き出します
あまり優雅ではありませんが極めて有効な動作です
この競技において私たちの車は
A＊を使用して自身で方向転換をし
最適な計画を見つけ先に進むことができました
そうでなければ車は障害物の手前で
永久に足止めされていたでしょう
最後の動画は駐車時の映像です
他の2台の車に挟まれた駐車スペースに
バックで入らなければなりません
障害物や他の車がどのように見えてジュニアが
いかにして駐車場に入るかが分かります
この場合もA＊が使用されています

Chinese: 
这里是 DARPA 上的一个场景 这个场景中有一个完全横在街道上的障碍物 试图困住车辆 
汽车只有在做出一系列 U 型转弯操作后才能到达目的地
而它不得不使用 A-star 来计算出这些路径来
该车在障碍物前停下 意识到前方没有路了
然后呼叫 A-star 规划器 规划器发出掉头指令
这个操作看起来很笨拙 而且却相当有效
在那次竞赛中 这辆使用 A-star 的车能够做到自己掉头
为掉头找出优化的行动方案 然后继续行进
否则 它将永远被这个障碍物困在这里
在最后的视频中 我会向大家展示一个停车场的场景
这里我们的车必须倒车进入两辆车的夹缝中
大家能看到障碍物 其他车辆 以及我们的车 Jr 是如何在真正的停车场中运动的
这次用的算法依然是 A-star

Japanese: 
これが DARPA が道路すべてにわたるバリアを使って 我々の車を閉じ込めたシーンです
車がこれをナビゲートする唯一の方法は 何回も細かく U ターンすることでした
それは A-star プランニングを使用してそれ自身でこれをすべてプランしなければなりませんでした
車がバリアを抜けると 行くパスがないことに気づきます
そして その A-star プランナーを起動して迂回することを考え付きます
それは あまりきれいではありませんが 非常に効果的です
車は自分自身でこの競争を制し A-starを使ってぐるっと回って
それを行う最適なプランを見つけ移動しました
そうでないと この障害の後ろで永遠に動けなくなるところです
この最後のビデオでは 2 台の車の間にあるスペースにバックして
駐車しなければならない状況について説明します また 障害がどのように見えるか
これらの 2 台の車がどのように見えるのか 自動車 Jr が実際の駐車場でどのように動くかも説明します
もう一度言いますが これは A-star を使用しています

Japanese: 
この駐車スペースへの最適な経路を見つけて
バックで入り
戻ってくる動作もすべて自身で行っています
これらのA＊実行ごとの
計画時間は10ミリ秒以下です
さらに障害物や駐車スペースの位置の
手掛かりがない場合でも
完全にこの動作を行うことができました
これがロボット経路計画のためのA＊です
皆さんが実装したのはその中核を成します
それを実際のロボットの
動作アルゴリズムに利用する場合は
動作モデルを変更しなければなりません
その点については次回の講義で確認してください
連続モデルについて説明し
これを連続経路に転換する方法を紹介します

Russian: 
Он находит свой путь оптимально в это место для парковки, спиной
и спиной снова все сам по себе.
Планирования времени для каждого из этих A-star трасс составляет менее 10 мс,
и автомобиль смог грамотно сделать это.
Даже во время наступления он не имел малейшего представления где были препятствия
и где было пятно стоянки автомобилей.
A-star для робота путь планирования, и то, что вы реализовали сами является основой его.
Опять же если вы хотите, чтобы превратить его в реальный алгоритм для движущего робота
Вы должны изменить модель движения.
Вы должны увидеть следующий класс, которые я преподаю, когда я иду в

Chinese: 
它找出优化的路径后 独自进入停车点
然后又独自驶出
每次动作的规划时间小于10毫秒
这辆车完全可以做到这些
尽管在一开始行驶过程中车辆并不知道障碍物位于何处
停车点在哪里
上面就是机器人路径规划的 A-star 算法 大家实现的部分就是算法的核心部分
接下来 如果大家想要把自己的算法完善成一个真正的机器人运动算法
就必须更改运动模型
大家可以继续学习我在下一课程中要讲的内容

Japanese: 
それ自身で前に進んだりバックしたりして
この駐車スペースに最適に駐車する方法を見つけます
これらの A-star のそれぞれのプランニング時間は 10 秒以内です
車は有能にこれを行いました
障害があったところや駐車スペースがあったところ
のヒントがなくても やり遂げました
それが ロボットパスプランニングの A-star です 自分で実装したものはその核となることです
もう一度言いますが それを実際のロボットモーションアルゴリズムにするには
モーションモデルを変更しなければなりません
私が教える次のクラスで受講してください

English: 
It finds its way optimally into this parking spot, backs in,
and backs out again all by itself.
The planning time for each of these A-star runs is less than 10 msec,
and the car was able to competently do this.
Even during the advance it had no clue where the obstacles were
and where the parking spot was.
That is A-star for robot path planning, and what you've implemented yourself is the core of it.
Again, if you want to turn it into a real robotic motion algorithm
you have to change the motion model.
You have to see the next class I'm teaching, when I go into

Chinese: 
到时我会讲连续性模型 并且会告诉大家怎样把当前的路径优化成连续路径

Japanese: 
継続モデルのことを説明するときに これを継続パスに変える方法をお見せします

English: 
continuous models and I'm going to show you how to turn this into a continuous path.

Russian: 
непрерывной модели и я собираюсь показать вам, как превратить это в непрерывный путь.
