- 博客(224)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 微调pi0.5冻结VLM只训expert，还是全量微调？欠拟合下NAS帮大忙(后面再说RTC)
这个参数的本质：pi05 每次前向预测完整的 50 步 chunk（chunk_size=50），n_action_steps 只决定执行多少 chunk；欠拟合缺的是 50 步开环一致性，预测 chunk 时只看 t=0 的观测，误差在 chunk 内累积，中途偏出去后的期间内不会再进行纠正；10 只用预测里靠谱的部分，然后10步后再用新观测重新推理并纠正漂移，短视野预测恰好是这个欠拟合模型还会的。视频链接：https://www.bilibili.com/video/BV1HnYq6FEXz/?
2026-09-13 20:01:37
315
原创 Mujoco仿真自动采集pick&place数据（附代码）
100集, 每集源框内随机, 带GUI uv run python automated_pickup_place_advanced.py # 无头批量采集 uv run python automated_pickup_place_advanced.py --episodes 100 --no-gui # 3集不保存数据 uv run python automated_pickup_place_advanced.py --episodes 3 --no-gui --no-record。
2026-08-23 18:16:25
469
原创 还在改xml调相机？MuJoCo交互式可视化调整相机安装位置
================================================= [保存] 将写入 model/trs_so_arm100/so_arm100.xml: <camera name="wrist_camera" pos="0.0500 0.0300 0.0600" quat="0.9870 0.0810 0.0000 0.1370"/> [保存] 3 秒内再按 S 确认写入，按 N 取消。这样把"盲调四元数"变成了"看着画面调滑块"，腕部相机一般一两分钟就能调好。
2026-08-16 19:21:27
541
原创 Qwen3.8 27B NVFP4 尝鲜DGX Spark上初体验
使用CC，根据REAME.md也就是我mujoco-learning仓库的说明来生成一个介绍网页，完成度还可以，速度目前只有15tps，目前先玩到者，obs一开好卡。后面又试了下其他的任务，看起来表现还可以，plan和调用子agent和tool都比3.6合理且有效。11点过后开始下载如下的模型，先下载nvfp4的试试。DGX Spark 一如既往的慢。
2026-08-15 01:47:56
873
1
原创 vllm运行在DGX Spark的启动参数及小问题
本文记录了使用vLLM框架部署Qwen3.5大语言模型的过程及遇到的问题。主要内容包括：本地Python环境配置、显存不足解决方案（增加64G交换空间）、离线加载模型方法（HF_HUB_OFFLINE=1）、122B版本显存爆炸问题的处理。测试中发现上下文长度限制（131072 tokens）和并发性能问题（约30 TPS）。最终采用sjug推荐的优化参数配置，包括Marlin后端、FP8 KV缓存等量化技术，显著提升了推理速度。整个部署过程耗时约10分钟，其中权重加载占8分钟。
2026-08-09 18:51:00
467
原创 DGX Spark使用Comfyui加载minimax-h3文生视频
的更新日志，comfy-kitchen 版本太旧，缺少 dequantize_embedding 这个 API，是为 MiniMax H3 的 INT8 量化权重（特别是 text encoder 的 embedding 层）做反量化 lookup 用的，ComfyUI 官方在 2026-08-03 的更新中才加入了这个支持，而对应的 comfy-kitchen 源码也有 Support int8 convrot embedding lookup 的提交。然后稍微修改下prompt就可以进行生成了。
2026-08-09 18:43:10
552
原创 Atlas专为DGX Spark优化的Rust引擎，启动是真的快，但小问题也多
Atlas是一款专为DGXSpark优化的Rust推理引擎，在Qwen3.6-35B模型上可达88-102 tok/s，速度比vLLM/SGLang快1.7-2.5倍。部署时可通过官方脚本或手动安装sparkrun工具运行指定模型配方，但需注意容器启动问题（如缺少--hosts参数需手动添加localhost）。测试显示API吞吐量达53tps，支持OpenAI兼容接口，但存在内存占用高、偶现复读现象等问题。典型启动命令需指定FP8缓存、65k上下文等参数，通过docker运行时需挂载HF缓存目录并配置GP
2026-08-02 19:34:05
367
原创 Laguna-s-2.1又来一个118B，DGX Spark 走起，但一言难尽
之前Qwen3.5 122b虽然慢，但是确实任务的完成率要很高，一周前吧，看到又来了一个Laguna-s-2.1 118b，又是一个100b以上的参数量的模型，1M的上下文确实惊人，乍一看agent太适合了，同样是MoE（混合专家），256个路由专家+1个共享专家，开pull...，用了接近两周的ornith:35B，怎么说，速度可以，但完成复杂任务就不行了，反反复复，确实不如大参数量以上的模型，emmm....，稍微有点滑稽，周末有空再下载nvfp4量化版本试一下。
2026-08-02 19:23:16
310
原创 DGX Spark 进行 Comfyui 文生图，5秒一张图
这篇文章介绍了如何在ComfyUI平台上快速搭建文生图工作流。作者提供了GitHub项目地址和基本操作步骤：克隆项目、激活虚拟环境、运行主程序。文中指出ComfyUI的核心在于工作流设计，模型只是辅助工具。平台内置了文生图模板，用户只需在Prompt中描述画面元素，模型会自动下载（支持手动下载后放入checkpoints目录），点击运行即可在几秒内生成512x512尺寸的图像。文章强调理解工作流设计比单纯依赖模型更重要，体现了ComfyUI作为AI绘画工具的技术特性。
2026-08-02 19:14:08
421
原创 手把手 LoRA 微调 Qwen2-VL｜VLM 训练
本文介绍了如何使用LoRA对视觉语言模型Qwen2-VL-7B-Instruct进行微调。主要内容包括：1) 处理器和模型的加载，展示如何同时处理图像和文本输入；2) LoRA配置方案，冻结原始权重仅训练小矩阵；3) 合成数据集的创建方法，通过PIL生成含中英文的测试图像；4) 训练流程实现，使用SFTTrainer进行监督微调；5) 推理测试环节，演示如何加载微调后的模型进行视觉问答。整个过程在100步内完成训练，显著减少了计算资源消耗，验证了LoRA在视觉语言模型上的有效性。
2026-07-19 18:32:21
326
原创 轻量化微调 Qwen2.5 LoRA 训练全流程详解
本文介绍了使用LoRA技术对Qwen2.5-0.5B-Instruct模型进行轻量级微调的全过程。主要内容包括：1）通过ModelScope加载0.5B参数量的基座模型；2）使用PEFT库配置LoRA（秩r=16），仅训练0.2%参数（约100万）；3）采用ChatML格式构建3条对话样本进行微调训练；4）演示如何合并LoRA权重并进行推理测试。该方法在消费级硬件上即可实现，微调后模型能准确回答"是LitchiCheng微调的Qwen2.5模型"。关键步骤包含分词器设置、LoRA原理说明
2026-07-19 18:23:24
311
原创 ollama 直接运行 gguf 模型踩坑细节（io timeout以及System message...）
本文介绍了在使用ollama部署Qwen大模型时遇到的两个问题及解决方法。首先是在从HuggingFace下载模型时出现I/O超时错误，建议检查网络连接或使用代理重试。其次是模型运行时报错"System message must be at the beginning"，这是由于Qwen GGUF格式模型对系统消息位置的严格限制导致的。作者提供了Python脚本解决方案，通过修改GGUF文件中的模板，移除了系统消息位置的限制，并详细说明了具体操作步骤，包括脚本使用方法和模型重建过程。该方
2026-07-19 18:13:31
645
原创 Ornith 35b 在 DGX Spark 上确实飞起~
Ornith基于Qwen3.6:35b微调，在DGXSpark上展现出优异的执行速度和Agent/Coding任务处理能力，虽显存占用略高且不支持视觉输入，但在效率上表现突出。对比显示：Qwen3.6:35b更适合综合及图片任务，而Ornith在Agent和编程任务中更具优势，尽管输出质量稍逊于更大参数的Qwen3.5:122b。建议按需求选择——多功能场景用Qwen3.6，专注代码和Agent任务则优先Ornith。（98字）
2026-07-19 18:01:34
301
原创 DGX Spark部署Isaac Sim(一键安装脚本)
本文介绍了在NVIDIA DGX系统上部署Isaac Sim的完整流程。主要内容包括：1）环境准备要求（NVIDIA GPU、Docker等）；2）安装必要依赖（gcc-11、g++-11等）；3）克隆Isaac Sim源码仓库并初始化；4）使用build.sh脚本构建项目；5）设置环境变量并启动Isaac Sim。该部署方案通过GitHub仓库提供了一键安装脚本，支持在符合系统要求的NVIDIA硬件平台上快速搭建Isaac Sim开发环境。
2026-07-12 21:01:24
177
原创 DGX Spark部署ComfyUI(一键安装脚本)
本文介绍了一个用于快速部署ComfyUI的一键安装脚本。该脚本主要功能包括：1) 自动检测并安装系统依赖；2) 使用uv极速Python包管理器创建虚拟环境；3) 根据GPU支持情况自动选择安装CPU或CUDA版本的PyTorch；4) 配置国内镜像源加速依赖下载；5) 生成默认配置文件。安装完成后，用户可通过简单命令启动ComfyUI服务并访问本地8188端口。脚本支持自定义安装路径和CPU强制模式，为AI绘画工具ComfyUI的部署提供了便利的自动化解决方案。
2026-07-12 20:55:52
446
原创 DGX Spark本地部署open-webui通过ollama (解决无法显示模型)
摘要：本文介绍了在Docker环境中部署Open WebUI并连接本地Ollama模型的完整流程。主要步骤包括：1) 通过Docker拉取Open WebUI镜像并运行容器；2) 修改Ollama服务配置使其监听所有网络接口；3) 测试容器与Ollama的连通性；4) 在WebUI中配置本地模型地址。过程中遇到网络访问限制问题，通过修改Ollama的监听地址解决。最后提到模型运行速度较慢及占用90GB空间的情况，并给出停止容器的命令。
2026-07-12 20:49:55
396
原创 DGX Spark安装Ollama及本地部署Qwen3.5 122b
这段视频演示了在DGX Spark上安装Ollama并本地部署Qwen3.5 122B大模型的过程。主要内容包括：1）通过命令行安装Ollama；2）下载122B参数的Qwen3.5模型（ollama pull指令）；3）运行模型时观察到占用近90GB内存，温度达70℃；4）指出未量化版本响应速度较慢，性能表现欠佳，但强调这是122B参数量与有限内存带宽的原始状态。视频链接提供了完整操作演示。(149字)
2026-07-12 20:40:59
449
原创 DGX Spark 开箱，金贵金贵的小玩意
【摘要】博主开箱DGX Spark迷你主机，吐槽其重量惊人但最终因CUDA生态等优势选择购入。设备虽被诟病性价比低（内存带宽不足、散热差、X7接口鸡肋），但128G共享内存支持大模型微调、原生PCIe5.0 4T硬盘及精致外观成为选购关键。开箱含主机、240W大电源和说明书，接口配置丰富但ConnectX7实用性存疑。系统预装Ubuntu24.04，20分钟完成初始设置后博主满意展示配置信息，准备开启使用体验。全文突显在性能缺陷与专业需求间的权衡决策。（149字）
2026-07-06 00:04:56
422
原创 Mujoco 机械臂 RL 强化学习 Pick and Place Cube 小方块
而pick and place这个类型的任务中会分为多个阶段（到达目标pick点、夹住cube、抬起来、放下去），如何让 RL 学会这种"分阶段"的任务，奖励函数会涉及很多考虑，在分享该实验前还是修改了N版奖励函数才让RL学会这个长程任务。之前几期进行过《Mujoco 开源机械臂 RL 强化学习避障、绕障》、《MuJoCo 机械臂 PPO 强化学习逆向运动学（IK）》的分享，对于前两个对于任务还属于较为简单且单一，对于强化学习的奖励函数等会比较容易设计。下面是60M steps训练后，进行test的结果。
2026-06-29 00:05:26
379
原创 一起读《大模型驱动的具身智能：架构、设计与实现》- 分层动作级规划
摘要：视频分享了分层动作级规划在具身智能中的应用，重点介绍了动作原语(motion primitive)作为基本动作模块的作用及其组合形成技能的过程。内容涵盖GPTR、CaP等基于大模型的规划方法，分析了现有技术在多模态感知、实时性和泛化性方面的局限性。同时介绍了CoPa等分层架构如何结合大模型推理与轨迹优化，通过粗到细的部件定位机制实现精准操作。视频还讨论了任务导向抓取和运动规划的具体实现方法，展示了如何将大模型能力与机器人控制技术相结合。
2026-05-24 17:14:25
585
原创 一起读《大模型驱动的具身智能：架构、设计与实现》- 混合控制架构
本文探讨了大模型驱动的具身智能在动作规划与控制架构中的实现方法。重点分析了直接动作规划（需处理连续运动轨迹离散化问题）和间接动作规划（生成辅助信息）两种方式，指出分层架构存在信息丢失风险，建议通过预训练具身大模型优化性能。同时介绍了传统基元级（运动学计算）和伺服级（硬件控制指令）规划方法，包括数值解法、优化方法和强化学习等实现路径。文章通过多个实验案例（如机械臂IK/FK控制、PPO强化学习等）展示了不同技术路线的应用效果，为具身智能控制系统设计提供了实践参考。
2026-05-23 09:24:02
409
原创 一起读《大模型驱动的具身智能：架构、设计与实现》- ViT 视觉 Transformer
本文介绍了基于ViT（Vision Transformer）的MINIST手写数字识别实现。通过将28×28的灰度图像分割为4×4的patch，使用卷积层将每个patch映射为64维向量，并添加cls_token和位置编码。构建了一个包含2层Transformer编码器的小型ViT模型，使用交叉熵损失和Adam优化器进行30轮训练。实验表明该模型能有效学习图像特征，实现手写数字分类。代码提供了训练和测试模式，支持模型保存与加载，并包含可视化预测结果功能。该实现展示了Transformer在视觉任务中的应用潜
2026-05-17 18:45:55
457
原创 Mujoco 仿真中传感器数据（SensorData）获取及使用
在 Mujoco 中进行 RL 或者仿真，针对一个body或者一些关节甚至是交互数据，如力、速度等，部分可以通过计算或者直接读取 data 获得，但 Mujoco 已经提供了较为方便的传感器类型及方式。修改下mujoco-learning工程中 model/franka_emika_panda/panda_vel.xml，增加一个sensor记录下joint1的关节速度。测试的代码，通过控制关节1的变化，同时监控关节1的传感器数据，以及使用plot进行在线绘图观察。
2026-04-26 20:27:53
483
原创 一起读《大模型驱动的具身智能：架构、设计与实现》- 世界模型 World Model
，具备进行反事实推理 Counterfactual Reasoning 的能力（对已经发生的事，假设一个 “与事实相反的条件”，推理会出现什么结果，发散、正推、反推，没见过场面也不怕）无论具身本体面对的是结构化场景还是繁杂多变的场景，不管是通过rule-based还是learning-based的范式，最终回到程序的编码世界中如何进行表示，如何执行？下面两个在线 web，根据提供的信息进行泛化，理解，生成新的场景，可以尝试玩一下，感受一下。没有反事实推理，只能 “看数据、模仿”，不能理解因果。
2026-04-26 17:03:07
600
原创 一起读《大模型驱动的具身智能：架构、设计与实现》- 注意力机制Attension Mechanism
本文探讨了大模型中注意力机制的工作原理与实现。通过分析《Attention Is All You Need》论文，作者解释了Query、Key、Value三个向量的作用：Query确定关注点，Key存储信息，Value提供具体内容。文章展示了一个8维特征空间中的示例，演示了位置、速度、墙壁、目标等概念间的注意力权重关系。最后提供了一个完整的PyTorch实现代码，包括SelfAttention类和可视化部分，展示了如何计算并呈现注意力权重矩阵。该实现使用softmax归一化注意力分数，最终输出是Value的
2026-04-19 18:33:14
778
原创 Mujoco 机械臂 MPC 模型预测控制应用 PBVS
本文介绍了使用MPC（模型预测控制）实现机械臂PBVS（基于位置的视觉伺服）的方法。相比传统PD控制通过截断处理速度限制，MPC通过滚动时域优化将速度、位置和加速度等约束直接纳入计算过程。文章详细说明了MPC控制器的参数设置，包括预测时域N、控制周期Ts以及各项权重矩阵。通过CasADi建立符号变量和优化问题，构建包含位置误差、旋转误差和速度惩罚的代价函数，并添加关节限位约束。最后展示了在Mujoco仿真环境中调用MPC控制器的实现代码，通过实时求解最优控制序列来驱动机械臂运动。该方法避免了后处理截断，能更
2026-04-06 17:23:46
717
原创 Mujoco 物体pickup总失败？摩擦力有哪些（切向、扭转、滚动）
摘要：MuJoCo物理仿真中物体抓取问题的解决方案。通过调整geom几何体的condim参数和摩擦系数设置，可解决物体"一碰就飞"或"提起来滑掉"的问题。默认condim=3仅包含法向和切向力，而condim=4增加了扭转摩擦防止打转。示例代码展示了如何设置condim=4及摩擦系数向量（滑动1.0、扭转0.005、滚动0.0001），有效改善了抓取稳定性。实验表明调整这些参数能实现更真实的物体交互效果。完整实现代码已开源在GitHub仓库。
2026-03-22 16:28:51
819
原创 Mujoco 仿真相机下 SolvePnp 获得 Apriltag 位姿
摘要：本视频讲解如何在Mujoco仿真环境中利用solvePnP计算Apriltag位姿。通过上期获得的相机内参和Apriltag标签数据，使用OpenCV的solvePnP方法，传入相机内参矩阵、畸变参数和标签尺寸，计算相机坐标系下的位姿。视频演示了键盘控制相机移动观察计算结果，并对比Mujoco配置位置验证准确性。代码封装了SOLVEPNP_IPPE_SQUARE算法，适用于正方形标签，最终输出4×4齐次变换矩阵。结果显示计算位姿与仿真环境配置基本一致（x=0.00176，y=-0.00255，z=0.
2026-03-15 17:01:45
1156
原创 Mujoco 仿真棋格盘标定相机内参方法（附代码）
摘要：本文介绍了在MuJoCo仿真环境中进行相机标定的方法。通过使用OpenCV对虚拟相机进行内参标定，采集不同姿态下的棋盘格图像，利用cv2.calibrateCamera计算相机矩阵和畸变系数。同时对比了直接通过MuJoCo相机FOV参数计算的内参矩阵，验证了标定结果的准确性。文中详细说明了图像采集、角点检测、标定计算等关键步骤，并提供了相关代码实现和视频教程链接。
2026-03-08 17:22:32
1070
原创 Mujoco 如何添加 Apriltag 并获得相机视野进行识别
视角调整获取物体图片及实时显示（附代码）》，这里不同的是封装进了mujoco_viewer中方便调用以及“拿图”，只需要一行即可，固定相机视野朝下（方便看到物体）在视觉应用中 Apriltag 作为一种常见的标签，极为方便且容易识别并得到位置及标签信息，常用于视觉定位或者标定使用。今天我们就如何添加该标签以及如何在 mujoco 中获得相机视野也就是可以看到 Apriltag 标签的"照片"。我们使用tag36h11类型，这个可以在很多地方下载或者直接生成你想要的标签，这里放到可以找到的相对路径即可。
2026-02-17 20:40:48
1213
原创 Mujoco 开源机械臂 RL 强化学习避障、绕障
摘要：本文介绍了基于MuJoCo仿真环境的机械臂强化学习避障方法。使用PPO算法训练机械臂在存在障碍物的环境中完成目标点到达任务，设计了包含关节角度、目标位置和障碍物信息的观测空间，以及考虑距离奖励、碰撞惩罚等多因素的复合奖励函数。通过随机生成障碍物和目标位置增强泛化性，最终实现了约100%的成功率。代码采用并行训练加速，支持训练/测试模式切换，并提供了可视化工具和性能监控功能。
2026-02-01 17:43:14
1596
原创 Mujoco 如何在RL中动态或随机更改障碍物位置、开关碰撞计算以及碰撞信息
本文介绍了在MuJoCo仿真环境中动态移动障碍物的方法。通过在XML文件中定义障碍物geom（示例为球形障碍物），并使用Python代码获取geom的ID和位置信息，实现了通过键盘控制障碍物在x、y、z三个方向移动的功能。关键点包括：1）设置geom的contype和conaffinity属性以启用碰撞检测；2）通过model.geom_pos数组修改障碍物位置；3）使用键盘监听实现实时控制。该方法可用于强化学习环境中增加随机性，或动态调整场景中的障碍物布局。文中提供了完整的代码实现，包括位置更新和碰撞信息
2026-01-25 15:30:39
1287
原创 Mujoco 末端（笛卡尔空间）导纳控制（Admittance）仿真及代码讲解
摘要：该视频介绍了Mujoco环境下机械臂的导纳控制(Admittance Control)实现方法。导纳控制通过将末端外力转化为运动指令，使机械臂呈现"弹簧-阻尼器-质量块"特性，适用于人机交互场景。核心采用二阶弹簧阻尼公式Mẍ+Bẋ+Kx=Fext，将外力输入转换为位置输出。视频详细讲解了代码实现过程，包括力到加速度的转换、积分得到速度和位置，以及通过逆运动学转换到关节空间控制的方法。代码展示了在X轴方向施加-1Nm力时机械臂的响应过程，并提供了实时数据可视化功能。
2026-01-18 16:27:16
1491
原创 Mujoco 仿真 Dynamics 动力学获得末端执行器 Wrench
本文介绍了如何在机械臂末端执行器上计算笛卡尔空间力矩(Wrench)。通过Pinocchio和MuJoCo工具，可以获取关节空间的力矩（包括执行器输出、被动力和外部力），并使用雅可比矩阵的阻尼伪逆将其转换为6维末端力/力矩向量(Fx,Fy,Fz,Tx,Ty,Tz)。文中提供了Python代码实现，演示了在Panda机械臂保持初始位置时，如何计算并输出末端执行器的Wrench。该方法适用于末端力检测、笛卡尔导纳等应用场景。
2026-01-04 13:13:21
1401
原创 Mujoco 仿真动力学拖动示教(Drag Teaching)
本文介绍了基于Mujoco和Pinocchio实现机械臂拖动示教的方法。在原有阻抗控制基础上，通过去除位置误差跟踪项，仅保留速度阻尼补偿，实现了更自然的拖动效果。具体实现中，动力学补偿考虑了惯性力、重力和科氏力，同时引入-100的阻尼系数来抑制速度变化，使机械臂在拖动时不会锁死位置，又能保持稳定。代码展示了完整的力矩计算过程，包括动力学补偿和阻尼补偿的叠加输出，并通过可视化展示了各关节力矩变化。这种方法适用于工业场景中的示教编程需求。
2025-12-28 15:56:21
1631
原创 Mujoco 使用 Pinocchio 进行逆动力学及阻抗力矩控制维持当前位置
本文介绍了机械臂高级控制方法，使用Pinocchio的RNEA算法进行逆动力学计算，包含惯性力、科氏力/离心力和重力补偿。由于模型参数误差，需结合阻抗控制来维持目标位置。核心公式为τ=M(q)q̈+C(q,q̇)q̇+G(q)，代码实现了动力学补偿与阻抗控制（Kp=100，Kd=10）的叠加，可应对参数误差和外部扰动。实验展示了在home位置维持、末端力扰动等场景下的控制效果，通过对比纯动力学补偿和阻抗补偿的扭矩曲线，验证了方法的有效性。
2025-12-21 19:01:19
1734
原创 Mujoco 冗余机械臂零空间 Null Space 运动仿真
零空间实际是雅可比的空间的子空间，在这个零空间内的任何关节速度都不会影响末端，因为 Ax = 0。对机械臂而言，当关节自由度（输入维度）大于末端执行器的任务自由度（输出维度，如 3 维位置 + 3 维姿态共 6 个自由度）时，雅可比矩阵列数（关节数）＞行数（任务自由度），此时必然存在零空间。当描述系统输入与输出映射的矩阵（如机械臂雅可比矩阵）满足 “列数大于行数”（即输入维度＞输出维度），且矩阵列秩小于行数时，存在非零输入向量使得输出为零，这些非零输入向量的集合即为零空间。
2025-12-07 13:24:23
1581
原创 Mujoco 蒙特卡洛采样统计机械臂可达工作空间（非Matlab）
最后将x,y,z的集合通过散点图画出来，同时打印下分别的最大最小值，但这个值通常也不是无脑使用，除非只关心某一个维度，不然还是要一起考虑，一般控制前可以通过ik是否可以得到解来判断是否最终控制是有效的。使用蒙特卡洛采样，通过大样本概率统计替代精确推导，生成随机分布的关节空间（限制关节范围），再进行正运动学 fk 即可求得机械臂末端的可达空间。代码仓库：https://github.com/LitchiCheng/mujoco-learning。前面总是提到机械臂的可达空间，那怎么计算，有什么公式吗?
2025-12-07 13:10:51
1394
acado_manual.pdf
2020-09-15
DMX512解码芯片原理使用说明
2018-09-02
FreeRTOS-STM32F103-Demo.zip
2020-09-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人