机器人技术与智能系统的工程化与应用 第九章 双手与复杂对象操控,第十章 高吞吐仿真与并行训练架构

机器人抓取中的力学相关概念解释 力矩空间(Wrench Space)是描述机器人抓取器在不同接触点能施加的力与力矩的数学模型。力闭合(Force Closure)指抓取器能通过调整施加的力来稳定抓取物体。判断是否实现力闭合的关键是检查原点(零力和零力矩)是否位于力矩空间的凸包内:若原点在凸包内,表明抓取器能抵消任意外力,确保物体稳定;反之则无法实现力闭合。该原理是机器人可靠抓取的基础。 阅读详情

第九章 双手与复杂对象操控

9.1 双手系统的运动学与动力学挑战

双手操控涉及两臂或两手协同作用于同一对象或相互耦合的多个接触点,其物理本质由多体刚性–接触约束的耦合动力学决定。与单臂操控相比,双手系统在自由度、接触分配、内力管理与重定位规划上面临显著挑战。本节从几何与动力学建模出发,系统推导双手操控的约束关系、力/力矩平衡式与自由度分解,归纳高维动作空间约简的理论方法,并给出双手协同与握持重定位的计算策略与优化框架。必要处给出严密的数学推导以便直接作为教材中算法与原理章节。


9.1.1 高维动作空间的约简技术

(一)问题表述与自由度统计

本质上,高维动作空间受接触约束、任务约束与机械结构冗余三类因素限制,约简技术旨在显式或隐式地投影到有效自由度子空间以便规划与控制。

(二)线性子空间约简:任务/骨架基与奇异值分解

(三)任务空间/操作子约简:任务优先与 Null-space 投影

(四)非线性流形学习与自编码表示

(五)基于优化的动作基结构化(稀疏基与字典学习)


9.1.2 双手协同策略与握持重定位方法

(一)接触力学与抓握映射的推导

(二)力分配的最優化形式(QP 推導)

(三)握持穩定性與抓握壓力分布:抓握力空間(Grasp Wrench Space)

(四)重定位(Regrasp)與握持過渡的規劃框架

重定位指在保持物體受控的前提下改變接觸分配或手部姿態以實現新的抓握或操作。重定位通常分為兩類:保持 grasp(in-hand manipulation)與中途放置再抓取(regrasp via support)。重定位的可行性可借助抓握穩定性條件與接觸切換圖(grasp graph)分析。

將所有可能的穩定抓握組合作節點、可行的抓握轉換(例如單指脫離再接觸、滑動至新接觸點、依靠環境支撐的放置—再抓取)作邊,則重定位問題可形式化為圖搜索問題。邊的可行性由局部力學與碰撞檢查決定,代價函數可基於操控能耗、風險(例如失落概率)與時間。此框架給出可證明的完整性與可行解搜尋策略(在有限抓握集合下圖搜索是完整的),並可結合啟發式(例如抓握品質度量)加速搜索。

(五)協同控制架構:集中式與分散式實現

協同控制既可採集中式架構——一個中央規劃器求解整體 QP 分配力與運動命令,向各臂下發指令;亦可採分散式架構——各臂在本地感知與通信下通過協同協議(例如一致性演算法或拉格朗日乘子同步)達成全局平衡。分散式方法對通訊延遲與單點故障更具魯棒性;集中式方法能直接求解全局最優解。數學上,分散式解可通過建立拉格朗日對偶並使用分布式 ADMM(交替方向乘子法)求解,ADMM 的收斂性在凸問題下有理論保證,從而為分散式力分配提供可驗證的收斂框架。


本节小结

9.2 工具使用、握持变化与任务迁移

工具使用是人类操作能力的重要组成部分,其核心特征在于将外部工具纳入身体–物体–任务动力学体系,使其成为功能性延伸。机器人体系中的工具操作亦需通过对工具属性、抓取结构与操作接口进行抽象化表达,从而实现跨工具任务迁移。本节从工具抽象化与接口通用性入手,讨论抓取与重定位的可参数化机制,并推导在线选择与适配方法,为复杂环境下多任务通用操作提供理论基础。


9.2.1 工具抽象化、接口与通用化策略

(一)工具的功能抽象与状态表征


(二)工具–手–任务的接口结构


(三)工具策略通用化与类别共享


(四)动力学一致性与自适应


9.2.2 抓取参数化、重定位动作库与在线选择

(一)抓取动作的参数化


(二)重定位动作库构建


(三)在线选择与可行性评估


(四)迁移时的工具–动作映射


本节小结

工具使用的核心在于通过功能端点抽象与映射,使工具与手部—对象动力学系统统一建模。通过工具类别模板,可将操作从实例化提升至类别层级,促进跨工具任务迁移。抓取参数化为 {pG,RG,u}\{\mathbf{p}_G,\mathbf{R}_G,\mathbf{u}\}{pG​,RG​,u} 的框架,可将抓取与力闭合条件统一纳入约束优化中描述。重定位动作可组织为离散动作库,通过可行性评价与代价最小化实现在线选择。工具—动作映射基于几何配准与类别功能保持,可实现快速迁移与复用。上述理论方法为机器人在复杂环境中进行工具操作、姿态重定位与任务迁移提供了统一的数学与算法基础。

9.3 实验基准、评测套件与失败案例分析

本节系统给出灵巧双手操控实验基准的设计原则、分层任务套件、量化评价指标与统计检验流程,随后对常见失败模式作系统化分类与可操作的调试清单。所有准则力求以可复现、可量化和可比较为目标,适合作为教材中实验设计与工程验证章节的正文内容。


9.3.1 灵巧操控的任务分层基准设计

一、基准设计的目标与约束条件

基准(benchmark)旨在为算法与系统提供客观、公正、可重复的评测环境。对于双手与复杂对象操控,基准设计须同时满足以下几项原则:

  1. 层次性(hierarchy):任务应覆盖从低级感知—控制到高级规划—重定位的不同抽象层次,以便分离性能瓶颈来源。

  2. 可测量性(measurability):每个任务必须定义明确的成功判据与量化指标。

  3. 可复现性(reproducibility):明确硬件、软件版本、随机种子与环境初始条件,保证不同实验组可复现结果。

  4. 渐进难度(curriculum):任务集合应按难度分层,便于算法逐步验证与对比。

  5. 鲁棒性测试(stress testing):包含扰动、遮挡、参数偏差等不确定性情形以考察系统鲁棒性。

在此基础上构建层次化的任务套件并给出统一的评测流程。


二、任务分层与典型基准项

将任务划分为四个层级,每层级定义若干代表性任务与测量项。

层级 L0:感知与接触本体测试
目标:验证触觉/视觉/力传感器的基本可靠性与同步。
示例任务:静态触觉阵列压力重构、触觉-视觉对齐测试。
指标:传感器漂移(单位时间偏移),时钟同步误差(ms),静态重构 RMSE。

层级 L1:接触建立与基础力控
目标:在已知目标位置实现稳定接触并维持指定力。
示例任务:法向压入到指定力值、恒力滑动维持摩擦边界。
指标:力稳态误差($\Delta f$)、稳态方差、达稳时间 $t_{\mathrm{settle}}$、最大超冲(overshoot)。

层级 L2:双手协同与抓握稳定性
目标:两手协同抓取并维持物体姿态,评估内力分配与抓握稳定性。
示例任务:双手抓持长杆并在受扰下维持位姿、对象旋转定位(in-hand manipulation)。
指标:抓握成功率、GWS margin(见下)、内力违例次数、位姿误差($SE(3)$ 距离)、能耗。

层级 L3:任务迁移与工具使用
目标:在工具差异或外部扰动下完成复杂操作。
示例任务:用不同长度锤子敲击、用钳子协同转动阀门、放置—再抓取重定位。
指标:任务成功率、迁移效率(需要重新标定或自适应次数)、时间到完成(makespan)、安全事件率。

【建议插图:任务层级示意图(L0–L3),每层举例并标注典型指标】。


三、可量化指标、数学定义与计算方法

为保证评测的一致性,指标应有严格的数学定义与计算流程。以下列出常用指标并给出计算式或优化定义。


四、评测协议与统计检验流程

为保证结论的显著性与可重复性,评测应遵循严格协议:


9.3.2 常见失败模式与调试清单

对失败做系统化分类与诊断流程有助于快速定位问题并减少试验迭代成本。下列按故障根源分门别类,并给出可执行的检测步骤与数学检验方法。

一、感知与估计相关失败

典型症状:接触时刻检测失真、位姿估计跳变、触觉—视觉对齐失败。
可能原因:同步误差、时延、标定漂移、数据丢包、滤波器参数不当。

诊断步骤:

  1. 时间同步检查:比较传感器时间戳差分分布,计算均值与方差;若抖动 $\sigma_t$ 超过控制周期的一定比例(例如 $T_s/10$),需修正采样同步或采用插值对齐。

  2. 残差分析:在感知估计器(例如卡尔曼滤波)中检查创新序列 $y_k-H\hat x_{k|k-1}$ 的自相关与方差是否符合假定噪声模型;若不满足,需重估噪声协方差 $Q,R$ 或采用滤波器自适应。

  3. 标定漂移检验:在静态已知场景下重复测量并计算均值漂移速率,若漂移显著应加入温湿度补偿或定期在线重标定。

修复建议:采用硬件触发或高精度同步时钟,降低滤波器带宽以减小相位误差;在滤波器中引入延迟补偿与时变噪声估计。


二、建模与参数错配导致的失败

典型症状:力控制不稳定、阻抗振荡、任务迁移失效。
可能原因:模型不精确(惯量、摩擦、工具质量估计偏差)、阻抗参数不匹配、DOB 带宽设置不当。

诊断步骤:

  1. 步响应辨识:在安全条件下施加小幅已知激励(位移/力阶跃),记录输出并拟合简单二阶模型,比较估计参数与模型值差异。

  2. 频域分析:对闭环系统进行频响估计(Bode),检查相位裕量与增益裕量是否满足设计要求;若裕量不足,需增加阻尼或降低控制带宽。

  3. 扰动观测器验证:对 DOB 的估计 $\hat f$ 施以小幅已知外力,检验估计的幅值与滞后,若延迟过大则缩小 $Q(s)$ 带宽或滤波器阶数。

修复建议:采用在线参数辨识(RLS 或最小二乘)并进行增益调度;在阻抗设计中采用自然频率—阻尼比参数化并以 Bode 边界验证稳定性。


三、接触力学与摩擦引起的失败

典型症状:滑脱、抓握失稳、微动探测失败。
可能原因:摩擦系数估计偏小、法向力不足、摩擦锥线性化不精确、接触点移动未跟踪。

诊断步骤:

  1. 摩擦测试:在被测表面做标准摩擦系数实验(滑动/静摩擦),比较估计值与设计值差异;若波动大,采用稳健控制或保守设计(增大内力)。

  2. 抓握裕度计算:在实际测量数据下解 (9.13) 或 (9.14) 求 GWS margin,若 margin 近零说明易失稳。

  3. 接触点跟踪:比对阵列式触觉或视觉估计的接触点随时间的漂移,若接触点移动超出预期需改进滑移检测与重新规划。

修复建议:增加保守内力、改进摩擦锥建模(用多面体外接但选取更多面以提高精度)、在微动策略中引入阻抗过渡以降低滑脱风险。


四、控制实现与数值问题

典型症状:QP 解发散、求解器时间超限、数值不稳定。
可能原因:约束不满足(不可行 QP)、矩阵条件数高、采样周期过短。

诊断步骤:

  1. 可行性检查:在求解 QP 前做可行性检测(线性可行性或添加松弛变量并查看松弛大小),若松弛量大表示物理不可行。

  2. 条件数分析:计算关键矩阵(例如 $J^\top J$、QP Hessian)的条件数 $\kappa$,若 $\kappa$ 很大建议做正则化(Tikhonov)或变量缩放。

  3. 求解时间剖析:记录解时分布并检查尾部,若偶发延迟导致控制失稳,应采用热备份控制律(保守 fallback)或降低 QP 复杂度(层次化约束分解)。

修复建议:在求解器中使用稀疏结构与预因子化、添加小正则项保证正定性、限制迭代次数并在超时情况下退回保守控制。


五、系统与硬件故障

典型症状:驱动器过热、力传感器漂移、通信丢包。
诊断步骤:

  1. 统计日志分析:汇总硬件告警、温度曲线、通信丢包率并与实验失败时刻做关联分析。

  2. 压力/温度对性能的回归:做回归分析检验性能指标与温度/电压等变量的相关性。

修复建议:硬件冗余、实时监控报警与安全断电方案,实验前做热身与冷却周期。


六、失败案例分析流程(Root Cause Analysis)

对每次失败应采用系统化 RCA 流程:

  1. 重现(Reproduce):在受控条件下重现失败并记录原始数据。

  2. 隔离(Isolate):逐项禁用子模块(传感、估计、控制)以定位故障域。

  3. 量化(Quantify):用上述数学指标(GWS margin、NIS、条件数等)量化故障严重度与临界点。

  4. 假设检验(Hypothesis Test):构造可检验的假设(例如“摩擦系数<μ0 导致滑脱”),并通过样本或设计试验验证。

  5. 修复并回归(Fix & Re-test):实施修复并重复试验以确认改进效果,记录前后指标并做统计显著性检验。

该流程结合实验日志与版本控制,形成可审计的失败分析闭环。


本章小结

本节提出了针对双手与复杂对象操控的实验基准设计方法、层次化任务套件与严格的评测协议,并给出了详细的可量化指标与统计检验方法。随后对常见失败模式做了系统分类,提供了诊断步骤、数学检验与可执行修复建议,并提出了标准的根因分析流程。该内容不仅为科研比较提供规范化工具,也为工程团队在系统调试、迭代改进中提供明确的操作指引与量化判断依据。

第十章 高吞吐仿真与并行训练架构

10.1 并行化仿真设计原则

为支持大规模策略训练与数据采集,仿真系统必须在吞吐量、可重复性与资源效率之间进行工程化折衷。并行化仿真不仅关乎把更多环境实例放入并行执行,更涉及场景复用与随机化设计以提升样本有效性、并发管理与队列调度以保证系统稳定性、以及性能监控与弹性调度以实现高资源利用率和可观测的训练管道。本节从原理出发,逐步推导并行化仿真的关键构件与度量、随机化与复用策略、并发一致性与伸缩性保障,以及监控与资源调度的数学/算法基础,形成可直接用于教材的技术章节。


10.1 并行仿真的性能度量与设计目标

并行仿真系统的核心目标是最大化有效样本生成速率(有效帧/episode/second),同时满足可重复性与延迟约束。定义基本量:


10.1.1 场景复用、随机化与仿真并发管理

并行仿真的样本质量不仅依赖样本速率,还依赖样本的多样性与有效信息量。场景复用(scene reuse)、域随机化(domain randomization)与并发一致性控制共同构成样本生成与实验可比性的核心。

(一)场景复用与状态快照技术

(二)随机化策略与覆盖保证

(三)并发管理:无锁/消息驱动与向量化环境


10.1.2 仿真性能监控与资源调度策略

(二)资源调度建模:队列论与负载均衡

(三)调度算法与近似求解

(四)弹性伸缩、预占与抢占策略

(五)监控、可观测性与故障自愈


小结

高吞吐并行仿真是实现大规模强化学习的基础能力。设计原则包括:最大化可并行部分以提高加速比、通过场景复用与 snapshot 降低初始化开销、以域随机化与自适应采样保证样本覆盖性并控制方差、并通过向量化或 actor-based 并发模型实现高可用的采样管线。在资源层面,需用排队论与装箱/调度优化方法指导节点分配、用弹性伸缩与监控闭环保障 SLA、并设计抢占与检查点机制以实现容错。上述理论与算法构成在工程上可量化、可优化的并行仿真与训练平台的基础,可直接作为教材中关于大规模训练基础设施的章节内容。

10.2 物理一致性与参数标定技术

高吞吐并行仿真系统在展开大规模策略训练时,必须保证仿真动力学与真实系统之间的物理一致性。物理一致性不仅要求动力学方程结构保持一致,同时要求接触模型、材料参数、摩擦系数、惯性参数、阻尼、关节摩擦以及传感噪声等均得到严格标定。若仿真环境偏离真实动力学结构,则训练策略将表现出明显的 sim-to-real 性能衰减。因此,必须建立系统辨识方法、参数估计流程以及高精度接触模型与数值稳定处理机制,使得仿真与真实系统具有可验证的行为一致性。


10.2.1 系统辨识方法与参数估计流程

一、动力学参数辨识基本模型


二、辨识可观测性条件


三、噪声环境下的参数估计


四、多阶段参数估计流程

参数估计流程可描述如下:

  1. 构建动力学模型与回归矩阵

  2. 收集激励轨迹数据

  3. 执行回归估计获得初值

  4. 噪声建模与加权估计

  5. 进入在线滤波阶段动态调整参数

  6. 迭代评估并更新仿真模型

  7. 通过交互验证确认一致性


10.2.2 高精度接触模型与数值稳定性处理

机器人操控训练中,接触建模是影响物理一致性的关键要素。接触模型必须准确描述法向约束、摩擦力、能量耗散与接触稳定区域。常用接触模型包括软接触模型、基于补充条件的刚体模型以及混合摩擦模型。


一、法向力模型与补充条件


二、摩擦锥与切向力建模


三、软接触模型与能量退火


四、数值稳定性与时间积分


五、多接触求解与线性互补问题


六、验证与收敛准则

10.3 仿真数据治理与版本管理

并行仿真平台在规模化训练与验证中生成大量场景、轨迹与度量日志。为保证实验可重复、改动可追溯、sim-to-real 比较具统计意义,必须对仿真场景库、基线与变体进行规范化治理,并建立严格的“仿真快照—现实对照”实验流程。以下系统阐述场景库与变体管理的范式、版本与影响评估机制,以及仿真到现实的数据快照设计、配对对照实验与统计检验方法,形成可直接用于教材的工程与理论规范。


10.3.1 仿真场景库、基线与变体管理

(一)场景元数据模型与唯一标识

每一仿真场景应具备机器可读的规范化元数据(schema),以支持检索、重现与差异比较。建议字段包括但不限于:

  • scenario_id(全局唯一标识符,采用 UUID 或内容寻址哈希);

  • commit_hash(仿真代码/物理模型对应的版本控制哈希);

  • config_hash(配置参数 JSON 的内容哈希);

  • seed_set(用于随机化的种子集合或生成规则);

  • param_set(可随机化参数列表与其采样分布说明,如摩擦μ∼Uniform[a,b]);

  • assets(几何模型、纹理与质量等资源引用);

  • creator,timestamp,description,tags(创建者、时间、摘要与语义标签);

  • baseline_ref(若为变体,指向其基线场景 id);

  • validation_results(自动化 smoke test 与基线比对摘要)。

采用内容寻址(例如 SHA-256)为主要资源与配置文件建立不可变标识,保证任意场景在理论上可位级别重建。版本管理中应强制将 commit_hash 与 config_hash 一并记录,以确认仿真栈与参数栈的耦合状态。

(二)基线(baseline)定义与语义版本化

基线场景定义为用于长期比较、回归测试与对照实验的参考场景。基线必须满足稳定性条件(在相同配置下复现误差在给定容忍度内)。对基线采用语义版本控制(semantic versioning)规则:

  • 主版本 MAJOR:当仿真引擎、物理模型、接触求解器或数学公式发生不可向后兼容变更时递增;

  • 次版本 MINOR:当加入新的参数化选项或额外变体但仍兼容旧基线时递增;

  • 修订 PATCH:仅修复实现细节或修补小错误、不影响理论模型时递增。

版本号与 commit_hash 同时记录;任何依赖实验需以 MAJOR.MINOR.PATCH+commit 的方式完全标识它的仿真基线。基线更新需伴随回归测试套件(见下)并发布变更说明(changelog),记录对现有结果可能产生的影响。

(三)变体(variant)生成与控制流

(四)回归测试与影响分析

每当基线或仿真代码发生变更,需在自动化 CI(continuous integration)中运行回归套件。回归测试包含三类测试:

  • 功能性 smoke test:是否能启动场景、是否有异常退出;

  • 行为回归 test:在固定随机种子及同一策略下,关键统计量(平均回报、接触次数、最大力)与历史基线的差异 Δm\Delta mΔm 是否在容忍区间内;

  • 统计显著性 test:对比若干独立试验样本,使用配对检验(paired t-test 或非参数的 Wilcoxon signed-rank)验证差异是否显著;若 p-value < α 则视为回归失败并阻塞合并。

影响分析需进一步计算效应量(Cohen’s d)与置信区间,帮助判断变更是否在工程上可接受。若回归失败,需自动触发回滚或人审。

(五)差异化管理与变更影响传播(change impact)

(六)可追溯的数据治理机制

数据治理需要三项机制:可变更历史、数据血缘(lineage)与访问控制。建议实践:

  • 所有场景、资源与快照均存储在内容寻址存储(CAS)中,资源与元数据通过不可变哈希连接;

  • 记录血缘:一个实验条目应包含对场景 id、模型版本、策略版本、训练参数与 seed 的全部引用;

  • 采用权限与审计日志:对数据的读取、写入、导出行为留痕,以满足法规或研究复现需求。

这样在出现争议或失败时可追溯到确切的代码/参数/数据组合。


10.3.2 仿真到现实的数据快照与对照实验设计

(一)仿真快照(snapshot)定义与采集协议

(二)对照实验的配对设计原则

(三)相似度度量与域差距量化

(四)因果诊断与干预式对照(counterfactual / ablation)

(五)迁移修正策略与增量验证

(六)报告与可复现的发布流程

对仿真—现实对照实验应形成结构化的报告,包含:

  1. 实验总体设定(场景 id、基线版本、变体描述);

  2. 采样协议与配对/随机化细节;

  3. 统计结果(均值、方差、置信区间、p-value、效果量);

  4. 可追溯数据包(快照 id、轨迹样本与脚本);

  5. 结论与建议性修正清单。

发布流程应确保所有引用资源可恢复(通过哈希),并在变更后保存旧版本以便回滚与事后审计。


本节小结

仿真数据治理与版本管理建立了从场景定义、变体管理到仿真—现实对照的完整闭环。通过规范化元数据、语义版本与回归测试,保证变更可追溯、影响可量化;通过快照化采样与配对对照设计,赋予 sim-to-real 对比以统计显著性与因果诊断能力;通过差距量化(MMD、Wasserstein、轨迹对齐)与干预式实验,支持定位关键失配因素并迭代修正。该体系是大规模并行仿真平台实现可信仿真、可复现研究与安全部署的核心工程方法论。

PointNetGPD: Detecting Grasp Configurations from Point Sets 解决的问题 提出了一个端到端的抓取评估模型,能够从3D点云中输出机器人抓取配置。 和基于手工设计深度特征和CNN的抓取评估方法相比,提出的PointNetGPD模型具有轻量化、能直接处理定位了夹持器配置的3D点云的特点。即使点云非常稀疏,也能很好地捕捉接触区域的几何结构。 先前工作大多依赖2D输入或2.5D输入,很少考虑3D几何信息。 论文的主要贡献: 直接对3D点云进行集合分析评估抓取质量,和以前的基于CNN的方法相比,文章所提方法能更好地利用深度图像的三维信息,不需要手工设计的特征,即使点云稀疏也能够 阅读详情

相关推荐

AI 应用开发 × 算法面试题:业务场景实战 12 题【TopK、LRU、RRF 融合、相似度、限流算法,含手撕代码与底层答案】

本文聚焦AI应用岗算法面试新趋势,剖析12道融合业务场景的高频题:从海量日志中挖掘慢查询(分治+小顶堆)、亿级去重(布隆过滤器)、向量与关键词融合排序(RRF)、语义缓存设计(带租户隔离与TTL的LRU)到限流策略(令牌桶+滑动窗口),强调“场景复述→算法选型→手撕代码→生产落地”四步答题框架。突出考察点已从纯算法转向工程权衡、业务理解与系统设计能力,如误判容忍度、实时性与内存预算的平衡,助力开发者应对2026年真实技术挑战。

王大师企业官方博客 522

【2019ICRA】PointNetGPD: 基于PointNet直接从点云中估计抓取位姿

摘要 本文发表于2019年ICRA,作者提出了一种端到端的抓取位置预测模型,能够从点云中估计出机器人的抓取位姿。和当前算法相比,作者提出的PointNetGPD是一种轻量级的网络模型,能够处理抓取器闭合区域的点云,进行抓取质量估计。网络以原始点云作为输入,能够捕捉到抓取器闭合区域点云的复杂几何结构,即使这些点云很稀疏。此外,作者基于YCB模型库,生成了350K包含真实点云和抓取的数据集用于训练。提...

dsoftware的博客 1万+

GraspQualityMetrics:该软件从抓地力仿真中读取接触点,并执行与抓地力扳手空间的计算有关的抓地力质量度量

GraspQualityMetrics 软件功能: 掌握模拟并读出接触点,接触法线和网格/点云以生成模板。 可以将联系点聚类,并用于质量度量计算。 依存关系: qhull vrep ROS 安装qhull: git clone https://github.com/xelda1988/qhull-2012.1.git mkdir build && cd build cmake .. make 安装项目GraspQualityMetrics: 在CMakeLists中修改第14行:SET(qhullDir“”) 需求: Scene containing robotic hand and a floor (if gravity on) 职能: 图书馆GraspQualityMetrics computeGraspWrenchSpace visualizeGraspW

2.经典规划控制方法-深蓝学院

关于规划算法可以参考我的这里说明一下机械臂规划算法的特性以及规划算法的扩展任务规划 - 路径规划 - 轨迹优化过程:路径规划:笛卡尔空间通过IK求解得到关节空间(构型空间c-space),然后通过关节插值生成关节空间轨迹,关节空间通过FK(正运动学)可以得到笛卡尔空间。

qq_37087723的博客 1972

电动汽车欧标直流充电标准解析

电动汽车和电动汽车充电市场是动态发展的,欧洲也正在努力部署基础设施,以支持欧洲快速增长和多样化的电动汽车充电需求。

网络安全的研究者、新能源行业的追求者 7623

WRF移动嵌套结合伏羲模型与CFD(PALM)高精度多尺度降尺度分析研究

WRF移动嵌套(Moving Nesting):动态调整高分辨率嵌套网格位置,追踪天气系统(如台风、强对流系统)以提高局地预报精度。伏羲(Fuxi)模型:国产数值模式,提供对WRF模拟的初始及边界条件优化。CFD(Computational Fluid Dynamics)PALM模型:精细化局地流场、湍流、温度分布。

m0_57411304的博客 1719

关于一些抓取指标度量的论文

提到了 using robust quasi-static GWS analysis on a dataset of 1,500 3D object models。dexnet 2.0里面 grasp wrench space (GWS) analysis 【45】在dexnet 2.0中。

MakeYouClimax的博客 870

企业级防火墙实战:用深信服AF8.0打造安全办公网络(含流控/僵尸防护配置)

本文详细介绍了如何利用深信服AF8.0防火墙构建企业级安全办公网络,涵盖设备初始化、多接入方式配置、三维一体安全防护体系(包括应用控制、僵尸防护和智能流控)以及典型问题排查。通过实战案例和配置模板,帮助IT管理员高效部署和优化网络安全管理,提升企业网络安全防护能力。

weixin_28716443的博客 283

a billion ways to grasp

aa

MakeYouClimax的博客 707

从零构建:STM32与EC800 4G模块的工业物联网数据透传实战

本文详细介绍了如何从零构建STM32与EC800 4G模块的工业物联网数据透传系统。内容涵盖硬件选型、抗干扰电路设计、AT指令稳定性优化、网络连接管理、可靠数据透传协议以及低功耗策略,为开发者提供了一套可直接应用于工业场景的完整实战方案。

uran的专栏 1020

多普勒频移测速与FMCW测距

文章目录时域与频域基于多普勒频移估计速度基于传统的FMCW测距什么是FMCWFMCW测距原理参考论文 时域与频域 时域 — 自变量是时间,即横轴是时间,纵轴是信号振幅的变化。表示振幅随时间的变化。 频域 — 自变量是频率,即横轴是频率,纵轴是该频率信号幅度的峰值。表示振幅峰值随频率的变化。 基于多普勒频移估计速度 当发送端静止而接收端相对运动时,有: v=FsFcv=\frac{F^s}{F}cv=FFs​c 其中,F是信号的原始频率;FsF^sFs 是接收信号频率与发送信号频率之差,即多普勒频移;c是

dsaaf21的博客 9190

完美下巴标准_平行下颚抓

翻译自: https://medium.com/@darshanhegde_5567/heuristics-for-robotic-grasping-c28dbb90bce1

weixin_26752765的博客 1147

AniME框架深度体验:用AI自动生成《修真小说》动画全流程记录

本文详细记录了使用开源多智能体框架AniME,结合其核心动画生成模型AniSora V3,将一段修真小说文本自动转化为风格统一动画视频的全流程实战。文章深入解析了从环境搭建、导演智能体任务分解,到多智能体协作生成分镜、角色、动画及最终合成的每一步操作与挑战,为AI驱动的长视频创作提供了宝贵的实践经验与流程优化思路。

ol789012345的博客 628

【算法拾光】队列|在每个树⾏中找最⼤值 + 最后⼀块⽯头的重量

本文总结两道经典算法题:一是通过层序遍历(BFS)逐层找最大值,利用队列分层处理,每层维护最大值;二是用大根堆(优先队列)模拟石头碰撞过程,每次取最大两块石头,差值重新入堆,直至剩余一块或无石。前者适用于树的层次遍历,后者适合动态获取最值场景。核心思想:队列用于分层遍历,堆用于高效取极值。

wuqingyigexiaoba的博客 202

STM32开发 -- GPIO详解

之前有简单讲过GPIO工作模式和寄存器,还是有点没搞明白。这次需要全方位的看一下了。 一、数据手册 1、STM32F105RC引脚说明 可知:STM32F105RC 一共有4组IO口 一共16X3+3=51个IO GPIOA0~A15 GPIOB0~B15 GPIOC0~C15 GPIOD0~D2 2、程序定义 GPIO端口号 STM32F1...

不积跬步,无以至千里 5万+

(02)Cartographer源码无死角解析-(81) ROS栅格地图→服务接收子图、cairo图像绘详解、OccupancyGrid地图发布

疑问1疑问1src/cartographer/cartographer/mapping/2d/probability_grid.cc 文件中的 ProbabilityGrid::DrawToSubmapTexture 函数的 proto::SubmapQuery::Response::SubmapTexture* 示例对象 texture 中texture->mutable_slice_pose() 的含义具体是什么。

江南才尽江南山,年少无知年少狂! 1931

把 KV Cache 压到 FP4:BitDecoding-FP4 的算法-系统协同设计复盘

长上下文推理卡在KV Cache的显存与带宽上,而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构,在B300上把服务吞吐提升2.4–3.0倍,精度几乎不掉。

helloagent的博客 319

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 341

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 617

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

优选算法:分治-归并排序

交易逆序对的总数

Wangshijie1015的博客 154

408 算法 06|堆与 Top-K:最小的 10 个数,到底该用数组还是堆

2022(42) 找 100 万个数里最小的 10 个,官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数:k=10 时两者几乎打平,k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。

m0_56226131的博客 453

算法64,字母异位词分组

代码核心思路是:互为字母异位词的字符串,在对其字符进行排序后,一定会得到相同的字符串。因此,可以将排序后的字符串作为哈希表的键(Key)来进行分组。

sheshibenniaodan的博客 219

408 算法 04|主元素与三元组最小距离:两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选,但真正的考点是"选完必须验票";2020(41) 的三元组最小距离,三指针每次只挪最小的那个,靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出,附官方评分档位表。

m0_56226131的博客 457

牛客周赛165C题(前后缀性质,递推,排序,枚举)

题目大意:给定长度为 `n` 的数组,选择 `k ∈ [1,n]`,将前 `k` 个元素整体翻转,后面的元素不变。要求操作后的整个数组非递减,统计满足条件的 `k` 的数量。题目链接:https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度:O(nlogn)

2501_94316951的博客 175

【MPC 算法】Python 实战:模型预测控制(MPC)算法原理与代码实现

本文介绍模型预测控制(MPC)原理与Python实现。MPC通过滚动优化预测未来状态,结合系统模型、目标函数与约束条件,动态生成最优控制序列。以一阶温度系统为例,使用CVXPY构建凸优化问题,实现加热功率的智能调控。代码包含模型预测、目标函数设计(含温度跟踪与控制平滑惩罚)、输入约束及滚动更新机制。仿真结果表明,MPC能快速稳定温度至目标值60℃,且控制动作平滑合理,体现其在复杂系统中的优越性。

赖德发的博客 71

算法61,判定是否为字符重排

两字符串能互为重排 ⇔。

sheshibenniaodan的博客 228
上一篇: 机器人技术与智能系统的工程化与应用 第七章 动作重定向与跨主体映射技术,第八章 触觉传感与接触推理
下一篇: 机器人技术与智能系统的工程化与应用 第十一章 Sim-to-Real 系统化迁移策略
VectorShift
博客等级 码龄1年 1844粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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