登录社区云,与社区用户共同成长
邀请您加入社区
主题:终极挑战 —— 智能迷宫逃生 & 结营大典
摘要:本文介绍了一种基于Arduino与6.5寸轮毂电机的智能跟随机器人底盘方案。该方案采用一体化高扭矩轮毂电机驱动,结合UWB/BLE定位、视觉/激光辅助等多模态感知系统,实现精准目标跟踪。系统通过分层控制策略,上层进行轨迹规划,底层采用差速PID闭环控制,具备30-80kg负载能力,适用于物流搬运、服务接待等场景。文中详细阐述了硬件配置、控制算法及关键技术挑战,并提供了UWB定位跟随的代码实现
本文介绍了基于Double DQN(DDQN)算法的机器人路径规划方法,该方法设计了包含6种离散速度组合的动作空间,并采用多目标混合奖励函数,结合时间惩罚、距离引导和目标达成奖励来优化路径规划效果。Pytorch仿真结果表明了DDQN算法在大规模栅格地图中规划的可行性,为DRL在机器人运动规划领域的应用提供了实践参考。
用 OpenClaw 做飞书机器人时,默认配置下,群里的消息必须 **@ 机器人** 才能触发回复。这在很多场景下很不方便——如果希望机器人在群里"隐身"工作,不用 @ 就能自动监听和回复,需要额外配置。本文记录我解决这个问题的完整过程,供同样踩坑的同学参考。
本文面向进阶视觉开发者,全面对比分析Intel RealSense D455和D435i的技术特性,并结合奥比中光Gemini系列相机,针对机器人开发和无人机应用场景,提供完整的技术选型方案。文章涵盖核心参数对比、技术原理分析、场景适配策略、实测数据引用以及完整的开发建议,帮助开发者构建技术互补的视觉感知系统。
本文详细介绍了在钉钉群聊中配置多任务机器人的完整流程。首先在钉钉开放平台创建多个机器人并获取认证信息,然后在OpenClaw中配置不同功能的Agent(如写作、编程、数据分析),通过修改配置文件将Agent与钉钉机器人绑定。文章还提供了为每个Agent定义专属性格和工作规范的指南,包括创建SOUL.md和AGENTS.md文件来明确角色定位、专长领域和行为准则。这种多机器人架构能显著提升团队协作效
本期主要解析了 rsl_rl`仓库中 ActorCritic与 ActorCriticRecurrent的 Python 实现,回顾了 Actor-Critic 的核心原理,重点讲解了 ActorCriticRecurrent 引入 RNN/Memory 模块以增强网络对历史信息的记忆能力,区分了训练和推理模式下隐藏状态的处理,并对网络构建、动作采样、价值评估等函数实现进行了详细剖析,为理解复杂机
本文介绍了一种基于Arduino平台的BLDC机器人姿态控制系统,采用IMU传感器、互补滤波和PID控制算法实现稳定平衡。系统通过互补滤波融合加速度计和陀螺仪数据,获得精准姿态角;PID控制器计算出电机驱动力矩,驱动BLDC电机维持平衡。文章详细分析了互补滤波的频域分割策略和PID控制器的比例、积分、微分项作用,并提供了两轮自平衡机器人和四轴飞行器的示例代码。系统适用于自平衡机器人、云台稳定等场景
网络机器人(爬虫)+Xpath+网页F12+get/post请求+爬取电影Top100
本文详细解析PX4飞控系统的6种核心飞行模式,重点介绍通过ROS实现Offboard控制的完整方案。文章提供可直接运行的ROS功能包,包含自动起飞、悬停、轨迹跟踪(圆形/方形/螺旋)和降落功能,采用状态机设计确保安全。核心内容包括PX4飞行模式层级解析、ROS控制接口说明、代码架构设计(含轨迹生成器)、参数配置及安全注意事项。该方案支持位置/速度双控制模式,经过SITL仿真测试,可用于科研、比赛等
本文详细介绍了在Mac mini M4(16GB内存)上部署私有化AI助理的全流程。通过OpenClaw框架结合Ollama运行的Qwen 2.5-7B模型,利用WebSocket连接飞书实现快速响应。文章涵盖环境准备、权限配置、模型选择(推荐Qwen 2.5-7B)、OpenClaw的JSON配置详解、飞书机器人接入要点以及调试方法。重点解决了终端权限、Node环境修复、模型兼容性等常见问题,最
之前我们学的算法,不管是确定性最优策略还是随机性最优策略,其输出都是有限个动作的最优策略。本篇讲连续动作空间的强化学习,重点讲两个算法:随机高斯策略和DPG。其中,随机高斯策略输出的是连续动作空间的随机性最优策略,DPG是连续动作空间的确定性最优策略。
微分动态规划DDP与迭代二次型调节器iLQR是非线性轨迹优化中最常用的一类算法。本文从贝尔曼最优性原理出发,详细推导DDP与iLQR的算法脉络,并总结其正向反向传播的迭代过程
类人机器人传感器模块的浪涌保护, 随着类人机器人技术的飞速发展,其硬件系统,尤其是作为“感官神经末梢”的各类传感器模块
这篇文章提出了 Meta-Q-Learning (MQL),一个基于Q-learning的离策略(off-policy)元强化学习算法。它的核心发现令人意外:在现有meta-RL基准测试中,普通的TD3算法只要加上一个"上下文变量"(context variable)来表征历史轨迹,就能与MAML、PEARL等复杂的元学习算法平起平坐。基于这一发现,MQL进一步利用倾向得分估计(propensit
一、ROS 编译系统简介1、ROS 编译需求2、ROS 编译层级3、ROS 对 CMake 扩展4、ROS 编译系统相关文档5、下载 Ubuntu 16.04.7 LTS ( Xenial Xerus )二、ROS 编译相关概念1、Package 包2、package.xml 配置文件3、CMakeLists.txt 配置文件4、Catkin Workspace ( Catkin 工作空间 )三、
摘要:本文系统介绍了全连接层和卷积层的基本概念及差异。全连接层将输入图像所有像素与输出相连,而卷积层通过局部连接实现平移不变性和局部性特征提取。详细阐述了二维交叉相关运算和卷积运算的区别,并给出数学表达式。在实现部分,展示了基于PyTorch的二维卷积运算代码实现,以及边缘检测的实例应用。通过构建特定卷积核检测图像垂直边缘,并演示了使用梯度下降学习卷积核参数的过程。最后通过实验验证了卷积层在图像特
一、ROS 机器人操作系统框架1、ROS 简介2、ROS 点对点设计3、ROS 分布式设计4、ROS 与 自动驾驶 适配二、ROS 节点间消息传递方式解析1、节点间消息传递2、发布 Publish / 订阅 Subscribe 模式 四大组件3、发布 Publish / 订阅 Subscribe 模式 示例演示① 发布者工作流程② 订阅者工作流程③ ROS 主节点工作流程④ 消息传递工作流程
25年10月来自加拿大UBC、加拿大 Alberta大学、小米电动汽车和加拿大东北大学的论文 “NanoVLA: Routing Decoupled Vision-Language Understanding For Nano-Sized Generalist Robotic Policies ”。视觉-语言-动作 (VLA) 模型通过将视觉-语言模型 (VLM) 和动作解码器集成到统一的架构中,
当下,制造业正以前所未有的速度发生着深刻变革。机器人及自动化技术犹如一股强劲浪潮,全面重塑着产品设计、工厂运营、质量管控以及全球货物流通的方式。这些先进技术并非意在取代人类,而是作为有力助手,助力我们以更智慧、更高效、更具创造力的方式开展工作。
本文针对巡检机器人在户外环境下的视觉识别准确率低和误报警问题展开研究。通过分析发现,自然环境变化(季节、天气、光线)和工业场景复杂性(设备位置不确定、故障多样性)是主要挑战。研究提出自动优化的数据采集识别模式,通过时间序列图像对比分析环境变化,结合深度学习进行特征提取和异常判断。在某化工园区的应用验证表明,该模式将气体泄漏识别准确率从60%提升至85%以上,误报率从35%降至10%以下。未来研究可
智能采摘机器人正在重塑现代农业。深圳普蓝机器人研发的这款融合视觉识别、自动驾驶和机械臂技术的智能设备,能在复杂农田环境中自主导航,精准识别成熟果蔬并完成无损采摘。通过深度学习算法和多传感器融合,机器人实现了厘米级定位、成熟度判断和柔性抓取,解决了传统农业劳动力短缺、效率低下等问题。这款代表智慧农业前沿的"新农人",不仅具备全天候作业能力,更为农业科研提供了算法优化和自动化研究的
摘要:随着具身智能发展,机器人需要更精准的触觉感知能力。传统触觉传感方案存在布线复杂、柔性差等问题,而EIT/ERT技术通过电极阵列实现大面积分布式感知,能实时捕捉接触力变化,满足人机交互需求。文章介绍了EIT/ERT技术的理论基础(正/逆问题求解)、系统设计及硬件实现,重点阐述了基于ESP32-S3的硬件电路设计,包括电流源、多路复用器、电压采集等模块。研究表明,该技术可突破传统触觉方案局限,为
本文详细记录了复现Unitree机器人强化学习训练的完整过程,主要包括环境配置、依赖库安装和训练验证三个部分。首先通过创建conda虚拟环境并安装PyTorch、IsaacGym仿真框架和rsl_rl强化学习库;然后配置Unitree机器人专用的强化学习环境unitree_rl_gym;最后进行训练和效果验证,包括Gym环境中的实时演示和Mujoco仿真测试。文中还提供了训练过程中遇到的关键问题及
【CSDN 首发】Java 驱动 3500 只机器人精准共舞:Ocado 高密度仓储调度架构解密 摘要(146字): 全球最大杂货自动化仓 Ocado 采用 Java 构建高精度机器人集群调度系统,实现 4m/s 高速下 5mm 间距的精准控制。核心创新包括:1)离散事件仿真技术,将数周运行压缩至数小时验证;2)自研时间/调度抽象层,确保仿真与生产环境行为一致;3)从 ScheduledThrea
本文介绍了基于OpenCV的机器人视觉目标检测方法,重点讲解了Hough变换在圆形检测中的应用。文章首先概述了机器人视觉中目标检测的意义及常用方法,包括传统图像处理和深度学习技术。随后详细阐述了Hough变换的原理及其圆形检测算法流程,并提供了完整的Python代码示例,展示如何通过OpenCV实现图像预处理、圆形检测和结果可视化。最后讨论了该方法的局限性,并建议可结合深度学习等先进技术提升检测效