机械组学习周记#1

本文详细介绍了机器人技术中的下供弹系统,包括其工作原理、区别于上供弹的特点、基本结构(如弹仓、拨弹机构、供弹链路和枪管支架的设计),以及各高校开源项目的亮点。

一、机器人坐标系RPY

roll轴:翻滚角。向右滚为正,反之为负。

pitch轴:俯仰角。抬头为正,反之为负。

yaw轴:偏航角。右偏航为正,反之为负。

二、下供弹

1、定义

       下供弹是指机器人的“拨弹机构”固连在底盘\云台yaw轴,通过硬质\软质“供弹管路”,将弹丸供给至位于pitch轴的发射机构中,由发射机构将弹丸发射出去。

       下供弹和上供弹的主要区别是发射机构和拨弹机构的分离,发射机构位置不变;供弹管路延长,连接拨弹机构出口和发射机构入口,并且供弹管路存在可活动转角:转角轴心同云台P、Y轴轴心重合,这样的目的是为了在云台转动时,供弹管路的路径总长度不变,防止管路中的弹丸排列过紧或过松,影响弹丸的发射时机。

2.基本结构

       下供弹的基本机构通过研究深圳大学的哨兵开源、上交的平衡步兵开源以及东北大学的全向步兵开源报告,总结出下供弹的基本结构包括:弹仓、拨弹机构、供弹链路和枪管支架。

弹仓:东北大学和上海交大的弹仓均放置在yaw轴颈处,而深圳大学的弹仓为了满足其双云台所需的火力供应将弹仓放置在了底盘上。

                东北大学                                  深圳大学                                     上海交大

(1)优点:三种弹仓的设计均将枪管与弹仓独立了出来,增大了弹仓容量的同时也增加了枪管的灵活度。

(2)设计思路:第一,做好弹仓容量设计,扩大弹仓的同时要注意重心的变化;第二,做好弹丸引导设计,防止在弹仓内有打不出去的弹丸滞留;第三,做好供弹处设计,需要方便快速补弹。

拨弹机构:拨弹机构是将弹丸拨出弹入供弹链路内的机构,从其作用上不难看出其最需要解决的问题就是卡弹问题和推力问题。

三种拨弹机构的设计都大致分为压弹和拨弹两部分,暂时并没有看到对于这一部分细致的介绍,设计方面主要是增加推力和设计合适的间隙。还有待研究。

供弹链路:供弹链路是将拨弹机构拨出去的弹丸送向枪管的摩擦轮处的通道,需要设计合适的曲率来减小阻力。

像深圳大学的鹅颈云台应该是使用两段相切的圆弧设计的。

上海交大的平衡步兵采用了较为简单的直上式结构。

东北大学的供弹链路采用了一种空间曲线的形式,比较复杂:

设计思路主要是采用镂空式结构和增加轴承来减少弹丸与供弹链路之间的摩擦阻力。

枪管支架:主要负责枪管pitch轴的运动。

看了上交、北京工业、东大和深大的开源报告,枪管支架均是采用了曲柄连杆机构。相较直接用电机转动控制所需要的扭矩可能较小。同时他们都设计了限位机构,应该是减少俯仰角过大碰撞引起的机械零件损坏。

### Python 和深度学习学习周记模板 以下是关于如何撰写 Python 和深度学习学习周记的一个示例模板。该模板旨在帮助您系统化地记录每周的学习进展、遇到的问题以及解决方案。 #### 周记结构 1. **本周目标** - 明确列出本周计划完成的任务或学习的目标。 2. **已完成事项** - 记录本周实际完成的内容,包括具体的技术知识点、项目进度或其他相关内容。 3. **未完成事项** - 列出未能按计划完成的部分,并分析原因。 4. **技术难点与解决方法** - 描述在学习过程中遇到的主要困难及其对应的解决方案。 5. **代码实践** - 提供一段或多段本周编写的代表性代码片段,并附带简要说明。 6. **下周计划** - 设定下一阶段的具体学习目标和任务清单。 --- ### 示例周记 #### 日期:YYYY-MM-DD 至 YYYY-MM-DD **主题:Python 编程基础与 TensorFlow 深度学习入门** ##### 1. 本周目标 - 掌握 Python 的基本语法(变量、数据类型、控制流等)[^1]。 - 安装并熟悉 TensorFlow 环境配置[^1]。 - 实现一个简单的神经网络模型用于分类任务。 ##### 2. 已完成事项 - 学习了 Python 中的基础概念,如列表推导式、字典操作等[^1]。 - 成功安装 TensorFlow 并验证其运行环境。 - 使用 Keras 构建了一个两层全连接神经网络来识别 MNIST 数据集中的手写数字[^1]。 ```python import tensorflow as tf from tensorflow.keras import layers, models # 加载MNIST数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 归一化输入图像到 [0, 1] 范围 x_train, x_test = x_train / 255.0, x_test / 255.0 # 创建简单神经网络模型 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), layers.Dense(128, activation='relu'), layers.Dropout(0.2), layers.Dense(10, activation='softmax') ]) # 配置优化器和损失函数 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 开始训练过程 model.fit(x_train, y_train, epochs=5) # 测试模型性能 test_loss, test_acc = model.evaluate(x_test, y_test) print(f"Test accuracy: {test_acc}") ``` ##### 3. 未完成事项 - 尚未深入研究卷积神经网络(CNN),仅停留在理论层面了解[^1]。 - 对 GPU 加速的支持尚未完全掌握,需进一步探索 CUDA 设置。 ##### 4. 技术难点与解决方法 - **问题**: 在 Windows 上安装 TensorFlow-GPU 版本时遇到了显存不足错误。 - **解决方法**: 更新 NVIDIA 驱动程序至最新版本,并调整虚拟内存设置以支持更大的分配空间[^1]。 ##### 5. 下周计划 - 学习 CNN 的工作原理及其实现在图像分类中的应用。 - 继续完善当前的手写数字识别模型,尝试加入正则化项减少过拟合现象。 - 进一步测试不同超参数合的效果,寻找最佳模型架构。 --- ### 总结 通过持续记录自己的学习进程,可以更清晰地看到成长轨迹,同时也能及时发现潜在的知识盲区加以弥补。希望以上模板能够为您提供一定参考价值。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值