写在前面 之前的一些铺垫性内容已经写在我的另外几篇博客里面了，传送门在下面： STM32F427IIH6芯片通过DMA+USART(UART)与树莓派进行双工通信 购物机器人底盘控制之STM32F427IIH6芯片处理串口数据方案 树莓派中Python控制购物机器人完成预定轨迹行走 这篇博客讲的就是更加上层的逻辑了，那就是我们如何通过python的逻辑实现按照坐标遍历货架和仓库，我这里再放一
前言： 之前展哥（导师）喊我在入学前做一个具有冗余腿的四足机器人用于部署XXX算法，验证XXX的ideal。最终由于有其他事情，没有投入太多的精力，以失败告终。但是过程中腿部末端需要求逆向运动学运用轨迹跟踪，然而由于腿部设计为冗余的，单单使用带阻尼的伪逆方法可以在一开始跟随轨迹，但是在一段时间后，部分关节开始趋向于极限，轨迹跟踪最后得不到保证。设计的关节运动范围是完全满足这段轨迹规划的，但是在
什么是麦克纳姆轮 在竞赛机器人和特殊工种机器人中，全向移动经常是一个必需的功能。「全向移动」意味着可以在平面内做出任意方向平移同时自转的动作。为了实现全向移动，一般机器人会使用「全向轮」（Omni Wheel）或「麦克纳姆轮」（Mecanum Wheel）这两种特殊轮子。 全向轮与麦克纳姆轮的共同点在于他们都由两大部分组成：轮毂和辊子（roller）。轮毂是整个轮子的主体支架，辊子则是安装在
英文原文链接：http://www.bzarg.com/p/how-a-kalman-filter-works-in-pictures/#mathybits 注：这恐怕是全网有关卡尔曼滤波最简单易懂的解释，如果你认真的读完本文，你将对卡尔曼滤波有一个更加清晰的认识，并且可以手推卡尔曼滤波。原文作者使用了漂亮的图片和颜色来阐明它的原理（读起来并不会因公式多而感到枯燥），所以请勇敢地读下去！ 目录 1
基本概念： 1、状态方程： 某一时刻的状态用Xt表示，它是一个列向量，表征了当前位置Pt和当前速度Vt；上一时刻位置Pt-1和上一时刻速度Vt-1，由于卡尔曼滤波器是时域下的线性滤波器，故可以对状态矢量Xt进行改写： 状态预测公式： ，x^ 表示预测值或推测值，非实际值 状态转移矩阵Ft, 表示如何从上一时刻的状态来推测当前时刻的状态
前言： 近些年来足式机器人在国内外发展的非常火热，其中控制方法可以说是百花齐放，在MIT开源其基于凸优化的MPC方法之前，许多小伙伴都是采用MIT在很早时候提出的Virtual Model Control（VMC）方法。该文主要讲述作者所提出的Virtual Suspension Model Control (VSMC)方法，并运用于点足站立平衡，代码已经开源，可以在本
70年代末，随着计算机的应用和传感技术的发展，移动机器人研究又出现了新的高潮。 特别是在80年代中期，设计和制造机器人的浪潮席卷全世界。一大批世界著名的公司 开始研制移动机器人平台，这些移动机器人主要作为大学实验室及研究机构的移动机器人实验平台，从而促进了移动机器人学多种研究方向的出现。
写在前面 我参加了浙江省那个机器人竞赛的购物赛，现在还是在比赛的前期准备阶段，在这个购物赛的规则当中，设计的机器人最基本的要求就是需要能够巡这些黑色背景下的白线，我用的是以串口传输数据的光电传感器，关于这个光电传感器的调试以及数据格式我已在另外一篇博客中进行了分享，传送门在下面： CubeMX配置STM32F103C8T6芯片调试光电传感器 调试完光电传感器之后就把他装到车子的前部和后部，在这篇文
1. 简介 在移动机器人建图和导航过程中，提供相对准确的里程计信息非常关键，是后续很多工作的基础，因此需要对其进行测试保证没有严重的错误或偏差。实际中最可能发生错 误的地方在于机器人运动学公式有误，或者正负号不对，或者定义的坐标系之间方向不一致等。 整个移动机器人的控制结构如下图所示，其中base_controll
目录 一、编码器简介 二、编码器工作原理 三、编码器分类 (1)增量式编码器 (2)绝对式编码器 四、编码器测量方案 一、采用单片机外部中断计数来实现计算 二、采用单片机的输入捕获,跟第一种方法类似 三、采用专用编码器接口 一、编码器简介 编码器是一种广泛使用的位置式传感器，它能够检测细微的运动，其输出为数字信号。编码器中应用最为广泛的就是光电编码器，可以用来进行角度的测量。可以用来
看不清？点击更换
第三方账号登入
第三方账号登入
QQ 微博