haijunloveheng的博客

原创 LeRobot-Anything-U-Arm

它把图像、状态、动作打包成 episode，说明项目目标不仅是控制，还包括数据集构建。想理解“为什么它能支持这么多机器人”，就重点盯住 teleop_sim.py 里的。方案 C：我带你先精读整个项目最关键的 teleop_sim.py。是“项目通用性的真正落点”，因为不同机器人差别主要就体现在这里。说明 ROS 在这个项目中是“推荐的解耦总线”，但不是唯一方式。这不是这个项目原创的单一小模块，更像是嵌进来的仿真基础设施层。这是仿真线主入口，也是整个项目里最值得精读的文件之一。

原创 采用 PyTorch 深度学习框架进行构建PoseCNN 网络架构代码

整体而言，PoseCNN 通过深度学习框架，结合图像的特征提取、对象分割、平移估计和旋转回归，实现了对物体的 6D 姿态估计。

原创 运动控制算法学习（三）再次解析RRT算法的程序案例

该程序的目标是通过RRT算法在机器人臂的关节空间中寻找一条从起始配置到目标配置的可行路径，并在MuJoCo的物理环境中模拟该路径的运动。加载MuJoCo模型定义RRT算法类及其构造方法进行路径规划应用生成的路径并记录视频。

原创 Ubuntu学习（二）右键菜单中没有“在终端中打开”的选项

创建脚本在目录下创建一个名为在终端中打开的文件。echo -e '#!/bin/bash\ngnome-terminal --working-directory="$1"' > ~/.local/share/nautilus/scripts/在终端中打开赋予执行权限chmod +x ~/.local/share/nautilus/scripts/在终端中打开重启 Nautilus现在，在 Nautilus 的右键菜单中，应该会出现“在终端中打开”的选项。

原创 运动控制算法学习（二）：一个机械臂在MuJoCo仿真环境中找到从起始关节配置到目标关节配置的路径的程序的学习

程序主要由RRT类和Node类组成，利用RRT算法进行运动规划。通过相关函数进行碰撞检测、末端位姿获取和路径应用等操作。对象通过实例化和调用相应的方法来实现功能。

原创 运动控制算法学习（一）快速扩展随机树（Rapidly-exploring Random Tree, RRT）算法

RRT算法是一种高效且灵活的路径规划算法，通过随机采样和树的扩展，能够在高维空间中找到从起始点到目标点的路径。虽然存在一些不足，但通过改进版本（如RRT*），可以在路径光滑性和最优性方面取得更好的效果。RRT在实际应用中表现出色，是机器人学和自动化领域的重要工具。

原创 机器人抓取与操作学习（六）：在机器人控制任务场景下训练和评估的深度学习模型

下面的程序整体是一个用于训练和评估深度学习模型的框架，主要用于机器人控制任务。程序结构和功能说明导入必要的库:主函数 :策略创建和优化器配置:数据获取和处理:训练过程:绘制和保存训练曲线:命令行解析部分:程序通过命令行输入参数来运行，用户需要指定检查点目录、策略类型、任务名称、批量大小、随机种子、训练周期数和学习率等参数。根据参数，程序将选择相应的操作（训练或评估）并执行。评估训练结果：程序的主要功能概括该程序主要用于训练和评估用于机器人控制任务的深度学习模型，具体功能包括：配置和初始化：解

原创 机器人抓取与操作学习（五）：模型训练之模仿学习的概念、原理、流程和应用

模仿学习（Imitation Learning）是一种机器学习方法，通过观察和模仿人类或其他智能体的行为来训练模型。相比于传统的强化学习（Reinforcement Learning），模仿学习不需要明确的奖励信号，而是通过示例来学习策略。

原创 机器人抓取与操作学习（四）：模型训练

以下命令用于执行一个 Python 脚本 imitate_episodes.py，该脚本主要用于训练或执行一个模仿学习 (imitation learning) 的过程。在命令行中提供的参数影响训练过程的各个方面。命令功能和用法该命令的目的是启动一个模仿学习的训练过程，主要用于训练模型以模仿专家的行为，特别是在一个仿真环境中进行抓取和放置立方体的任务。通过使用提供的参数，用户可以灵活地调整训练过程中的各种设置，从而优化模型的表现。：：：：：：：：：：：：该命令启动了一项复杂的模仿学习任务，涉及多种参数配

原创 机器人抓取与操作学习（三）：在指定目录中生成的仿真数据集的可视化

整体来说，该程序是一个用于加载和可视化仿真数据的工具，主要用于调试和分析机器人的行为。通过可视化关节状态和生成视频，用户可以直观地理解和评估机器人的执行过程。这对于机器人控制、强化学习和模仿学习的研究和开发都具有重要意义。

原创 机器人抓取与操作学习（二）生成训练数据

文章摘要：该脚本用于在模拟环境中生成机器人任务演示数据，通过脚本化策略控制末端执行器完成拾取、放置等任务。主要流程包括：初始化环境，执行策略生成关节轨迹，记录观测数据并存储。支持多种任务类型（如拾取转移、插入、拾取放置），可配置参数包括任务名称、数据存储路径和生成回合数。每个回合完成后会评估成功率，数据以HDF5格式保存，包含关节位置、图像等多模态信息，为后续模仿学习提供训练数据。

原创 机器人抓取与操作学习（一）ACT with AGILE·X PiPER作业

该项目旨在使用模仿学习（Imitation Learning）方法，训练机器人模型执行抓取和放置（Pick and Place）任务。模仿学习是一种从专家示范中学习的技术，特别适用于复杂任务，其中设计显式的控制策略可能非常困难。这个项目融合了多个先进的机器学习和机器人技术，旨在提升机器人的自主能力与适应能力。通过模拟学习和数据驱动的方法，能够有效地训练机器人完成复杂的抓取与放置任务。随着技术的不断进步，这类应用在未来将会有更广泛的应用前景和研究价值。

原创 Ubuntu系统学习（一）通过编辑 /etc/apt/sources.list 文件添加新的软件包仓库并更新APT源

通过上述步骤，你可以在Ubuntu系统中成功添加新的软件包仓库并更新APT源。确保在添加新的仓库时选择可信的源，以确保系统的稳定性和安全性。

原创 python学习（一）部分库的作用和用法

这些库涵盖了从深度学习到计算机视觉、数据处理、机器人控制等多个领域，常用于科学计算和开发。

原创 OpenCV学习（四）：图像处理

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，包含了丰富的图像处理功能。OpenCV的图像处理模块广泛用于图像分析、处理和计算机视觉任务。以下是对OpenCV图像处理模块的详细说明，以及一些常用的图像处理函数的列举。OpenCV图像处理模块概述。

原创 人工智能学习（一）机器学习、强化学习和深度学习的概念和区别

特征机器学习深度学习强化学习定义从数据中学习的广泛领域使用神经网络进行复杂数据学习智能体通过与环境交互学习行为学习方式监督、无监督、半监督等主要通过监督学习试错与奖励反馈数据类型结构化和非结构化数据主要处理非结构化数据需要环境反馈模型各种算法（决策树、SVM等）多层神经网络策略网络、值函数等特点更加依赖特征工程自动特征提取学习动态决策应用领域各种预测任务图像识别、自然语言处理等游戏、自动驾驶、机器人控制。

原创 C++学习（一）：基础知识

一、C++基础概述。

原创 VLM学习（一）VLM的定义与构成要素

摘要：VLM（视觉-语言模型）是一种结合图像和文本处理能力的多模态AI模型。它通过CNN处理视觉输入，用Transformer处理文本输入，利用注意力机制实现跨模态特征融合。核心架构包括编码器-解码器框架，支持图像描述生成、视觉问答等任务，采用预训练+微调范式。典型应用涵盖图像检索、跨模态翻译等领域，评价指标包括BLEU、准确率等。随着技术进步，VLM正推动多模态AI在视觉-语言交互中的创新发展。（149字）

原创 运动规划算法

运动规划算法

原创 强化学习（1）强化学习的组成部分和原理构成

强化学习（Reinforcement Learning, RL）是一种机器学习的子领域，旨在通过与环境的交互来学习最优策略，以达到最大化累积奖励。强化学习的核心思想是智能体（Agent）通过试错（Trial-and-Error）的方式，不断优化其行为策略。以下是强化学习的主要组成部分和原理构成的详细讲述。

原创 OpenCV学习（3）主要函数列举

原创 OpenCV（2）主要模块介绍

OpenCV（Open Source Computer Vision Library）是一个广泛使用的计算机视觉和图像处理库，包含多个模块，每个模块都提供特定的功能。

原创 OpenCV学习（1）OpenCV的主要功能

学习opencv