🎓 控制算法学习平台

在线交互式算法演示平台 - 让算法学习变得可视化、可交互、易理解

一个专注于控制算法、机器人算法和具身智能的在线学习平台。通过实时可视化和交互式操作，让复杂的算法变得触手可及。

🌐 在线体验

---

✨ 特性

• 🎯 实时可视化 - 所有算法都有实时动画演示
• 🎮 交互式控制 - 可调节参数，立即看到效果
• 📚 详细说明 - 通俗易懂的中文解释，普通人也能看懂
• 🎨 现代化界面 - 渐变设计，响应式布局，支持移动端
• 🔬 实践导向 - 边测试边学习，从实践中理解理论

---

📊 已实现的算法

1️⃣ 卡尔曼滤波器 (Kalman Filter)

用途： 噪声过滤、状态估计

功能：

• 实时 2D 轨迹追踪演示
• 可视化噪声数据和过滤结果
• 可调节噪声强度、预测步数等参数
• 支持多种运动模式（鼠标、方形路径、随机路径等）

应用场景：

• GPS 定位优化
• 自动驾驶传感器融合
• 手机陀螺仪数据处理
• 目标追踪系统

2️⃣ PID 控制器 (PID Controller)

用途： 闭环控制、系统稳定

功能：

• 机械臂角度控制演示
• 实时可视化 P、I、D 三个分量的作用
• 可调节 Kp、Ki、Kd 参数
• 干扰测试和快速预设
• 动力学模型模拟（惯性、摩擦）

应用场景：

• 工业机器人控制
• 无人机姿态稳定
• 汽车巡航控制
• 温度/压力控制系统

---

🚀 快速开始

在线体验

直接访问 https://www.l2k.tech/

本地开发

# 克隆仓库
git clone https://github.com/q442333521/kalman.git
cd kalman

# 安装依赖
npm install

# 启动开发服务器
npm run serve

# 访问 http://localhost:8080

构建部署

# 构建生产版本
NODE_OPTIONS=--openssl-legacy-provider npm run build

# 部署到 GitHub Pages
npm run deploy

---

📁 项目结构

kalman/
├── public/               # 静态资源
│   ├── index.html       # HTML 模板
│   ├── CNAME            # 自定义域名配置
│   └── sylvester.js     # 矩阵数学库
├── src/
│   ├── App.vue          # 主应用
│   ├── main.js          # 入口文件
│   ├── router/          # 路由配置
│   │   └── index.js
│   ├── components/      # 组件
│   │   ├── NavBar.vue   # 导航栏
│   │   └── Kalman.vue   # 卡尔曼组件（旧）
│   └── views/           # 页面视图
│       ├── KalmanView.vue   # 卡尔曼滤波器页面
│       └── PIDView.vue      # PID 控制器页面
├── package.json
└── vue.config.js        # Vue CLI 配置

---

🛠️ 技术栈

• 前端框架: Vue.js 2
• 路由: Vue Router
• UI 框架: Muse UI
• 图形渲染: Canvas API
• 数学库: Sylvester - 向量和矩阵运算
• 构建工具: Vue CLI 3

---

📝 开发计划 (TODO)

🔥 近期计划

• 机械臂运动学 (Robotic Arm Kinematics)

  • 正运动学 (Forward Kinematics) 可视化
  • 逆运动学 (Inverse Kinematics) 求解演示
  • 多关节机械臂交互式控制
  • 工作空间可达性分析

• 路径规划算法 (Path Planning)

  • A* 寻路算法可视化
  • RRT (Rapidly-exploring Random Tree)
  • 势场法 (Artificial Potential Field)
  • Dijkstra 算法对比

🎯 中期规划

• 轨迹规划 (Trajectory Planning)

  • 五次多项式轨迹
  • 梯形速度曲线
  • S 型加减速曲线
  • B 样条曲线

• 控制算法进阶

  • MPC (模型预测控制)
  • LQR (线性二次调节器)
  • 滑模控制 (Sliding Mode Control)
  • 自适应控制

• 传感器融合

  • 扩展卡尔曼滤波 (EKF)
  • 粒子滤波 (Particle Filter)
  • 互补滤波器
  • 多传感器数据融合

🚀 长期愿景

• 具身智能 (Embodied AI)

  • VLA (Vision-Language-Action) 模型演示
  • 视觉-语言理解交互
  • 动作策略可视化
  • 端到端学习演示

• 强化学习

  • Q-Learning 可视化
  • DQN 训练过程
  • Policy Gradient 演示
  • 机械臂抓取学习

• 计算机视觉

  • 目标检测实时演示
  • 视觉伺服控制
  • SLAM 可视化
  • 深度估计

• 动力学仿真

  • 刚体动力学
  • 碰撞检测
  • 物理引擎集成
  • 多体系统仿真

🎨 功能优化

• 添加更多语言支持（英文、日文等）
• 性能优化和代码分割
• 添加算法性能对比模块
• 用户自定义参数保存功能
• 导出仿真数据和图表
• 添加教学视频和文档
• 社区贡献算法模块

---

🎯 设计理念

为什么创建这个平台？

传统的算法学习往往停留在理论层面，公式和代码让很多人望而却步。这个平台的目标是：

1. 可视化优先 - 所见即所得，直观理解算法原理
2. 交互式学习 - 动手调参数，从实践中学习
3. 通俗易懂 - 用生活化的比喻解释复杂概念
4. 实用导向 - 展示真实应用场景和案例

适合谁使用？

• 📚 学生 - 学习控制理论、机器人学、具身智能
• 👨‍🏫 教师 - 教学演示和课堂互动
• 🔬 研究人员 - 快速验证算法思路
• 💼 工程师 - 理解算法原理和调参技巧
• 🤔 好奇者 - 对算法和机器人感兴趣的任何人

---

🤝 贡献指南

欢迎贡献新的算法演示！

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/NewAlgorithm)
3. 在 src/views/ 创建新的算法页面
4. 在 src/router/index.js 添加路由
5. 提交更改 (git commit -m 'Add NewAlgorithm demo')
6. 推送到分支 (git push origin feature/NewAlgorithm)
7. 创建 Pull Request

贡献建议

• 代码规范: 遵循 ESLint 配置
• 中文优先: 界面和说明使用中文
• 详细注释: 关键算法添加注释
• 性能考虑: 确保动画流畅（60 FPS）
• 响应式设计: 支持移动端访问

---

📄 许可证

MIT License - 详见 LICENSE 文件

---

🙏 致谢

原始项目

本项目基于 avivace/kalman 扩展开发

• 原作者: Antonio Vivace
• 贡献者: Manuele Rota

参考资料

卡尔曼滤波器:

• An introduction to the Kalman Filter
• Understanding the Basis of the Kalman Filter
• Implementation of Kalman Filter with Python

PID 控制:

• PID Controller Tuning: A Short Tutorial
• Understanding PID Control

具身智能:

• RT-1: Robotics Transformer
• PaLM-E: An Embodied Multimodal Language Model
• OpenVLA: Open-Source Vision-Language-Action Model

---

📮 联系方式

• 项目地址: https://github.com/q442333521/kalman
• 在线演示: https://www.l2k.tech/
• 问题反馈: GitHub Issues

---

让算法学习变得简单有趣 🚀
从卡尔曼滤波到具身智能，一站式学习平台

立即体验 • 反馈建议 • 参与贡献