PID控制器開發筆記之九：基於前饋補償的PID控制器的實現 講了從傳遞函數到微分方程，再到差分方程，轉換成程序。
滯後校正滯後-超前校正（百度文庫） 這一篇寫得不錯，好好看看理解一下
慣性環節 一階低通濾波器 慣性環節的傳遞函數爲，由波特圖可以發現其具有低通特性。 工程實現：傳遞函數轉差分方程（可以先轉z域） 參考 數字低通濾波器的原理及實現 慣性環節s域傳函，其中T爲慣性時間常數，即2*pi*f，f爲
這本是課程的一個作業研究搜索算法，當時研究了一下Tkinter，然後寫了個很簡單的機器人走迷宮的界面，並且使用了各種搜索算法來進行搜索，如下圖： 使用A*尋找最優路徑： 由於時間關係，不分析了，我自己貼代碼吧。希望對一些
一開始如果大家看我的第一篇關於DJI的SDK的Blog，我是非常興奮的。很可惜，在我深入的研究這個SDK之後，發現了以下幾個不可饒恕的限制：1）沒有足夠GPS就用不了地面站和飛行控制功能；2）DJI直接沒有提供接口可以用於控制phant
相關博客 在V-rep中通過D-H參數自動生成機械臂模型：https://blog.csdn.net/DoctorSRn/article/details/106852312 前言 首先介紹本篇博客的背景:要進行雙臂機器人的規劃
慣性參數的獲取方法： ① 使用V-rep中的rigid body properties中的選項進行自動計算可得（需要知道連桿的質量或者密度）（V-rep中慣性參數的解釋），vrep中輸出的慣量矩陣需要乘以質量。 URDF中對ine
模型導入相關博客：將機器人3維模型導入至V-rep仿真軟件的方法小結 通過D-H參數導入機械臂模型至V-rep中 前言 V-rep仿真軟件主要支持從URDF文件導入機械臂模型，以及輸入D-H參數生成關節，然後手動搭建機械臂模型。本
相關博客： V-rep機器人仿真軟件使用的學習筆記 V-rep中機械臂慣性參數的獲取方法 前言 這篇博客主要是記錄自己學習和使用機器人仿真軟件V-rep過程中的一些知識點和踩的坑。是之前這篇V-rep機器人仿真軟件使用的學習筆記的
我之前因學習崑崙通態的組態軟件MCGS，用並學習過VB，還買了一本書《VB語言程序設計（第3版）》。現在在某公司實習，最近接觸老的項目，又要用到VB。我就又把那本書大體看了一遍，並對其進行了總結。之所以總結這個，主要是書太多了，想把
ROS https://web.ics.purdue.edu/~rvoyles/Classes/ROSprogramming/ http://wiki.ros.org/rviz/UserGuide rviz 機器人
從一維到多維理解卡爾曼濾波 寫在前面 本文以移動機器人定位問題(Localization)爲例 借鑑Udacity課程：AI for Robotics 對於一切問題，降維思考都是個好辦法 卡爾曼濾波的核心思想 根據上一個狀態
隨機路徑圖法（PRM） 1. 介紹 隨機路徑圖法由Lydia E. 等人在1996年提出，它的優點在於： 1）克服了以往一些路徑規劃方法易於陷入局部極小的缺點 2）可應用於多自由度的機器人的路徑規劃中 3）
本文主要分析如何使用Franka機器人C++代碼庫——libfranka來進行運動生成與控制。包含筆者在使用過程中的一點心得體會。筆者基於libfranka 0.8.0 版本進行開發調試，僅限於 Linux 系統。除了編程技巧外
在這個萬物皆可“Machine Learning”的時代，各個研究領域都想和“ML”沾點邊,好像論文裏有了“…with machine learning”、“learning based…”便能立即高大上起來。不過確實很多傳統領域
Making Sense of Vision and Touch: Self-Supervised Learning of Multimodal Representations for Contact-Rich Tasks 文章結
