1.【干货|开源MIT Min cheetah机械狗设计(十四)】运动控制器源码解析---四足机器人浮动基动力学模型创建
2.干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想
3.干货|开源MIT Min cheetah机械狗设计(二十一)运动控制器源码解析---刚体动力学建模
4.学习笔记ROS2纯小白 - MoveIt!(humble)安装、运动源码运动源码初识与C++实现运动规划
5.OpenSitUp开源项目:零基础开发基于姿态估计的健康健康运动健身APP
6.[1](含源码)通过关节力矩指令控制LBR/iiwa机械臂运动
【干货|开源MIT Min cheetah机械狗设计(十四)】运动控制器源码解析---四足机器人浮动基动力学模型创建
干货MIT Min Cheetah机械狗设计详解(十四):动力学模型创建 对于机器人爱好者和初入机器人领域的专业人士,开源MIT Min Cheetah系列设计无疑是运动源码运动源码一份宝贵资源。本文将深入探讨RobotRunner核心模块,健康健康包括数据更新、运动源码运动源码步态规划、健康健康寂寞男女 源码控制算法和命令发送,运动源码运动源码尤其是健康健康关键的浮动基动力学模型构建。 首先,运动源码运动源码我们从单刚体动力学模型开始,健康健康简化机械狗的运动源码运动源码复杂动态,计算足底反作用力,健康健康但此方法在高速运动时并不适用。运动源码运动源码为解决高速情况下的健康健康适应性,浮动基动力学模型引入,运动源码运动源码它在单刚体基础上优先满足动态响应,如WBC控制器的需要。模型创建包括:浮动基动力学模型参数设置:定义机械狗整体的配置空间和关节自由度,引入6个表示身体浮动基的自由度。
广义惯量和空间惯量:每个连杆和关节电机的广义惯性张量(包括质量、质心位置和旋转惯量)是动力学计算的基础。
连杆位置向量:这些参数用于后续的运动旋量计算。
浮动基动力学模型:以拉格朗日单腿动力学为基础,考虑机械狗整体的运动状态和力矩映射。
动力学方程的构造:包括动力学方程组、约束方程和构型角度约束,以及外力和转矩的关系。
代码中,通过`forwardKinematics()`函数计算关节和连杆的空间变换,为求解质量矩阵、非惯性力矩阵和接触雅可比矩阵做准备。idc空间销售源码在冗余自由度的系统中,浮动基动力学模型与WBC结合,最终计算出关节的控制参数。 总结,浮动基动力学模型的创建是实现高精度控制的关键步骤,它为后续的动力学方程求解提供了关键参数。理解这些核心概念,将有助于深入理解四足机器人动态控制的奥秘。干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想
开源MIT Min Cheetah机械狗设计:控制与优化解析
在这个开源项目中,MIT Min Cheetah机械狗的控制与优化策略是其亮点,特别是MPC控制与QP优化策略。WBC作为辅助手段,已在前期讨论,本文主要聚焦于这两个核心部分。 控制问题的核心是通过状态方程,如微分方程,来描述和控制系统的运动,如牛顿第二定律。它不仅体现了物理规律,如位移与速度的关系,而且揭示了如何通过不同的输入策略达到期望状态,这便是优化的起点。 优化则涉及代价函数的选择和权重设置。LQR关注整个时间的最优性,而MPC关注当前时刻到未来的最优路径。LQR是闭环控制,而MPC是开环的,这使得MPC可以处理不等式约束,适应更复杂的控制环境。 相较于传统PID控制,asp源码 审批流程现代控制理论如状态空间模型,具有更强的系统理解能力,但复杂项目中,传统控制方法仍占有重要地位。例如在汽车行业,虽然现代控制算法有优势,但安全性和落地性仍是考量的关键。 控制算法的应用领域主要集中在无人机、机器人和汽车工业,尤其是动力学模型成熟的场景。机器学习和强化学习作为补充,分别在参数辨识和规则环境中的应用有所贡献,但仍有发展空间。 接下来,我们将深入探讨机械狗的仿真实现,以及可能的扩展功能,如路径规划和激光雷达扫描,以期为设计提供更全面的支持。干货|开源MIT Min cheetah机械狗设计(二十一)运动控制器源码解析---刚体动力学建模
本篇内容深入探讨了开源MIT Min cheetah机械狗设计系列文章中的刚体动力学模型。刚体动力学模型是机械狗设计的核心,是麻省理工团队独立开发的动力学算法的重要基础。动力学算法的理论依据参考了Roy Featherstone的文章《Rigid Body Dynamics Algorithms》,该文章提出了一种新的六维运动空间和力空间,概念类似于运动旋量和力旋量。
商业动力学运算库如CoppeliaSim的Bullet 2.和单独的动力学求解库pinocchio、frost、drake等在机械狗设计中得到了广泛应用。机械狗设计所用的动力学算法设计思想包含牛顿欧拉方程、坐标系选取问题、六维运动空间等核心概念。maven绑定源码调试牛顿欧拉方程是力学基础,描述了力与加速度和扭矩之间的关系,包括了定点和定轴转动的公式。坐标系的选择对动力学和运动学分析至关重要,不同坐标系的设计使计算变得更加高效。Pl¨ucker坐标系的引入实现了平动和转动的统一表示,简化了动力学方程,方便了后续程序的编写。
在六维运动空间中,刚体的速度和空间力被统一表示,使得动力学分析更加简洁。动力学模型编程中,动力学公式和运动学树的概念被整合进代码中,以方便处理和编程。文章最后指出,动力学知识的探讨还将继续,后续计划将增加视觉感知、激光雷达扫描等机械狗的智能功能,以提升其性能。
学习笔记ROS2纯小白 - MoveIt!(humble)安装、初识与C++实现运动规划
文章内容
前言
在本系列第四篇学习笔记中,我们重点介绍如何安装MoveIt、如何在RViz中使用MoveIt,以及如何通过C++程序加入障碍物并进行运动规划。经过一番波折,终于开始与机器人相关任务,尤其是RViz的可视化功能,让这一过程变得更为直观。在尝试配置环境时,由于系统误操作导致Ubuntu无法正常开机,打赏app源码最终花费半天时间重装系统,尽管过程坎坷,但这一经历让我们的技术积累更加坚实。
前作后续
在安装ROS 2和Colcon后,确保系统为最新版本并安装mixin Colcon和vsctool。接下来,创建一个Colcon工作空间并下载教程和剩余MoveIt源代码。由于网络环境因素,这一过程可能较为不稳定,需要反复尝试和优化配置。完成依赖项的控制后,使用Concol工作空间并进行相应的build和setup操作。将默认ROS 2中间件(RMW)更改为Cyclone DDS,以确保环境的兼容性。
使用Docker容器快速建立MoveIt环境,为后续机器人开发提供方便。
在RViz中使用MoveIt插件进行运动规划,通过交互设置机器人状态,测试规划器并进行可视化输出。在RViz中引入机器人模型,配置固定坐标系,进行机器人插件的详细配置。
在模拟环境中,与可视化机器人交互,调整姿态和运动轨迹。演示如何通过规划实现机器人从起始到目标位姿的运动,同时利用RViz工具可视化路径和操作流程。
通过C++程序实现MoveIt的运动规划功能,首先创建一个ROS节点和执行器,实现机器人运动控制。插入代码段,完成规划与执行,并在RViz中实时反馈。
进一步,实现视觉化功能,通过moveit_visual_tools插件增强机器人开发的可视化体验。在程序中添加依赖项,构建并初始化MoveItVisualTools,实现与RViz的交互。
在RViz中实现路径的可视化,通过封装函数处理视觉化信息,确保代码的简洁和高效。最后,通过配置和运行程序,观察RViz中的实时反馈,完成整个工作流程。
总结
通过本系列的学习笔记,我们系统地掌握了ROS 2环境的搭建、MoveIt的安装与使用、C++实现运动规划以及RViz的可视化技巧。尽管过程中遇到了挑战,如系统配置问题和网络环境的不稳定,但通过坚持不懈的努力,成功实现了从理论到实践的转变。这不仅加深了对机器人开发技术的理解,也锻炼了问题解决和调试能力。未来,我们将在实践中继续深化对这些技术的理解,为更复杂的机器人应用奠定坚实的基础。
OpenSitUp开源项目:零基础开发基于姿态估计的运动健身APP
更多深度学习工程实践项目,请关注公众号:DL工程实践
OpenSitUp是一个基于姿态估计的开源项目,旨在帮助对姿态估计感兴趣的朋友,能够从零开始搭建一个在android手机上运行的仰卧起坐计数APP。这个项目主要解决了如何让计算量较大的人体姿态估计网络流畅的运行在手机端,并实现仰卧起坐的计数功能。掌握了这个项目的原理之后,可以很方便的迁移到类似的运动,健身APP当中。
项目成果展示了最终的APP效果,在人潮涌动的西湖景区,演示了如何使用该项目进行仰卧起坐计数,效果显著。
项目目录结构包含多个工程,包括数据采集、标注、训练、部署、app开发等,整体目录结构清晰。数据集存放目录内有多张标注好的,可用于训练。此外,为项目准备了一个标注工具,方便标注关键点,还有基于pytorch的关键点训练工具,以及Android上的仰卧起坐计数APP。
采集的流程包括从网上搜索“仰卧起坐”的视频,下载视频片段并抽取关键帧,以及从网上搜索背景较为丰富的。标注时,使用自开发的标注工具,标注关键点,生成标签文件。算法原理涉及姿态估计(关键点检测)领域,一般采用heatmap输出关键点位置,而非直接回归坐标。
算法实现包括四个部分:配置文件、数据读取、训练引擎和网络模型。训练完成后,需要将pytorch模型转换为支持手机运行的格式,选择使用ncnn作为推理库。为简化此过程,编写了export_ncnn.py脚本,可以一键将训练出来的模型转换为ncnn模型。
APP开发包含一个Activity类,两个SurfaceView类,一个Alg类,一个Camera类。Alg类负责调用算法进行推理,Camera类负责摄像头的管理,SurfaceView用于展示摄像头预览和关键点信息,Activity类管理整个APP。具体代码逻辑可以在SiteUpAndroid源码中找到。
[1](含源码)通过关节力矩指令控制LBR/iiwa机械臂运动
本文改编自 MATLAB 的自带帮助文档,介绍了如何使用 MATLAB 和 V-REP 进行 LBR/iiwa 机械臂的计算力矩控制仿真。相较于使用 Gazebo 的原例程,本例程旨在通过将 Gazebo 替换为 V-REP,实现 V-REP 和 MATLAB 的通信与数据交互。本文将逐步指导实现这一仿真过程。
首先,构建项目结构,包括用于存放场景文件、通信文件和控制文件的三个子文件夹。确保 MATLAB 版本不低于 b,以便加载 URDF 文件。然后,利用 MATLAB 的自带 LBR/iiwa 机械臂的 URDF 文件及三维模型文件,创建场景文件并将其加载至 V-REP 中。处理可能出现的路径兼容性问题,确保仿真环境的搭建无误。
通信准备阶段,复制 V-REP 相关组件至 MATLAB 文件夹,并利用 vrchk.m 文件进行通信失败类型提示。创建 iiwa_computer_torque_control_workcell_init.m 函数文件,用于初始化 V-REP 与 MATLAB 之间的通信链路,包括获取关节句柄和进行 streaming 初始化。
接下来,实现与 V-REP 的通信代码。在 iiwa_computed_torque_control 文件夹内,建立 iiwa_computed_torque_control.m 文件,其中包含通信代码框架,以适应后续的控制逻辑。在此阶段,主要关注同步模式控制的实现,确保机械臂在 MATLAB 的控制指令下按照预定轨迹运行。
在控制代码编写中,遵循关节力矩控制原理,选择同步模式进行仿真。此模式下,控制输入与 V-REP 的动作同步,即在 MATLAB 发出控制指令后,V-REP 在预设的时间间隔内执行该指令。通过调用 V-REP 的 API,实现关节位置、速度与加速度的控制,以及力矩的计算与应用,使机械臂按照预期轨迹运行。
为了保证控制的准确性,进行数据处理以对比前馈和反馈力矩,以及期望与实际关节位置和速度。此阶段的分析结果有助于优化控制算法,确保机械臂能够精确地按照预设路径运动。
最后,进行仿真运行前的系统配置,确保 V-REP 和 MATLAB 都已关闭,然后按照特定流程启动 V-REP,加载场景文件,并在 MATLAB 中运行相关代码。通过观察 V-REP 中的仿真动画,验证仿真过程的正确性与稳定性。
此过程不仅适用于学术研究和学习,也为实际应用提供了参考,旨在推动机器人控制技术的发展。通过分享此例程,旨在激发更多人对机器人控制的兴趣,并欢迎各界反馈与建议,共同促进技术进步。