1 + X 传感网 中级 | 任务二 RS-485总线通信实践

Android 桌面小组件 AppWidgetProvider 桌面小组件,绝对是小程序中的小程序,说白了就是任何复杂一丁点的操作都适合做成桌面小组件。所以这里采用的演示的例子,就只有一个白色圆角背景,外加一个文本框,显示文字。小组件的教程网上一搜一大堆,所以我这里主要就是介绍一些坑的地方,跟大致处理流程,具体细节还得看其他大神的骚操作。 阅读详情

目录

对于M3模块程序烧写有串口与ST-Link烧写两种方式,什么情况下必须用串口烧写程序?如果串口烧写失败,请分析可能的原因。

完成基于RS-485总线通信的智能安防工程实践后,请完成以下任务。画出智能安防工的设备拓扑结构图,并说明RS-485总线主机与从机的通信机制。

罗列基于RS-485总线通信的智能安防工程实践的主要操作步骤,并说明每一步要注意的问题

画出使用RS-485转RS232转接头提取RS-485网络1数据的设备拓扑结构图,并分析串口数据。

画出使用RS-485转RS232转接头提取RS-485网络2数据的设备拓扑结构图,并分析串口数据。


对于M3模块程序烧写有串口与ST-Link烧写两种方式,什么情况下必须用串口烧写程序?如果串口烧写失败,请分析可能的原因。

如果说要烧写*.hex文件,必须使用串口烧写

程序不能烧写的原因?

电脑串口故障,NewLab平台串口故障、电脑与NewLab串口线故障

NewLab平台未在通讯模式、开发板JP1未在boot模式或未按下复位按钮

NewLab平台与开发板接触不良

完成基于RS-485总线通信的智能安防工程实践后,请完成以下任务。画出智能安防工的设备拓扑结构图,并说明RS-485总线主机与从机的通信机制。

  1. . 主机封包发送请求帧
  2. . 从机解包请求帧,得到请求数据,采集传感器数据,封包发送响应帧
  3. . 主机收到响应帧,解包响应帧数据

罗列基于RS-485总线通信的智能安防工程实践的主要操作步骤,并说明每一步要注意的问题

编译,不能有错误

烧写,串口烧写或者ST-Link烧写,串口烧写每次NEWlab上只能有一个设备

配置从机地址和传感器类型,勾选485协议,主机没有传感器,不用配置

画出使用RS-485转RS232转接头提取RS-485网络1数据的设备拓扑结构图,并分析串口数据。

例如:

主机:01 04 00 02 00 01 90 0A

01 地址

04 功能码

00 02 地址

00 01 寄存器值

90 0A CSC16校验位

从机:01 04 02 00 00 B9 30

01 地址

04 功能码

02 寄存器地址

00 00 寄存器值

B9 30 CSC16校验位

画出使用RS-485转RS232转接头提取RS-485网络2数据的设备拓扑结构图,并分析串口数据。


例如:

                                         DD 02 00 02 09 04 00 39 27

DD 起始帧

02 00 地址

02 命令码

09 数据长度

04 传感器类型

39 00 数据与

27 CS校验位

168、运动控制中的标定:编码器零点标定 文章摘要 运动控制系统中的编码器零点标定是确保精确控制的关键基础步骤。文章通过实际案例说明,即使0.3度的零点偏移也会导致电机异常抖动。详细介绍了三种标定方法:反电动势法(需示波器)、电流注入法(适合量产)和霍尔传感器法(粗标定),并指出常见陷阱如忽略极对数、Z脉冲重复性问题和温度漂移。提供了基于STM32的嵌入式实现代码片段,强调标定后的静态、动态和负载验证的重要性。作者建议量产产品设置自动标定工位,研发样机采用更精确的方法,并强调标定数据应与电机序列号绑定。 阅读详情

相关推荐

200SMART PLC时间不准?手把手教你用MCGS触摸屏实现自动校时(附完整代码)

本文针对西门子200SMART PLC时钟不准的常见问题,提供了一套基于MCGS触摸屏的自动校时解决方案。文章详细阐述了时钟偏差的根源、时间同步方案的技术选型,并手把手指导如何配置MCGS与PLC的通信,以及编写完整的PLC时间读取、转换与设置代码,最终实现稳定可靠的自动时间同步功能。

jupyter5notebook的博客 462

1 + X 传感网 中级 | 任务三 CAN总线通信实践

本文摘要:本文系统介绍了CAN总线通信在生产监控系统中的实践应用。首先详细解析了CAN总线三大核心机制:节点平等性实现多主架构、双绞线物理连接的抗干扰特性、基于ID优先级的仲裁机制。接着给出了产线监控系统实施步骤,包括程序烧写、终端及网关设置等关键环节。通过两个典型数据采集案例(CAN卡采集RS-485网络和RS-485转RS-232采集)的拓扑图与数据分析,展示了不同网络环境下的数据帧结构解析方法,重点阐释了标准CAN帧的11位标识符仲裁机制和典型工业应用场景。全文兼具理论深度与实践指导价值。

yuzhaokangcode的博客 611

【R语言】富集分析可视化代码(整理版)

分别介绍了如何使用DAVID在线分析工具对基因进行GO/KEGG功能富集分析、使用R ggplot包对获得的基因GO/KEGG功能富集结果进行可视化、使用R clusterProfiler包和R AnnotationHub包对基因进行GO/KEGG功能富集分析、OrgDb包制作以及结果可视化等。故,我重新整理了一波,并补充了可对多个分组的富集结果进行可视化以及富集结果绘制圈图等的代码。关注“在打豆豆的小潘学长”公众号,发送“富集分析3”获得完整代码包和演示数据。一、单组富集结果可视化。

weixin_54004950的博客 1万+

嵌入式:2.STM32底层基础(存储、寄存器、时钟、总线、GPIO、寄存器点灯)

存储系统用来存放程序、数据、设备状态,核心三大作用:存放程序代码、保存运行时数据(全局、局部、栈、堆)、数据持久化(比如W25Q64 Flash,可以搭配文件系统)。

2401_86731574的博客 379

解决windows10下无法安装.net framework 3.5(包括.net2.0和3.0)

入域电脑,win10系统中安装 .net framework 3.5(包括.net2.0和3.0)

God_me_1的博客 4万+

部署资源管理系统chemx

资源管理系统的部署教程

weixin_40784215的博客 823

TMS320F28335 学习笔记(二):系统时钟、PLL 与看门狗

本文系统介绍F28335的时钟架构与看门狗应用,涵盖外部晶振、PLL倍频生成系统时钟(SYSCLKOUT)、高速/低速外设时钟分频配置,以及看门狗的启用、关闭与喂狗机制。强调时钟配置准确性对延时、PWM、通信等外设的重要性,指出常见错误如晶振不匹配、未等待PLL锁定、随意修改PLL或喂狗周期过长等问题,并提供初始化框架与验证方法,帮助开发者正确配置时钟系统,确保程序稳定运行。

2403_83044722的博客 384

不用加速器!Google Earth Pro登录失败自救手册:从服务器连接到地图加载的完整排错流程

本文详细解析了Google Earth Pro登录失败的常见问题及解决方案,包括服务器连接失败、地图加载异常等。通过基础排查、内置修复工具使用和高级配置调整,帮助用户无需加速器即可解决启动问题、黑屏和转圈圈等困扰,提升软件使用体验。

weixin_29227425的博客 486

从寄存器层面重学STM32(7)——定时器理论

本文系统梳理了STM32定时器的架构与工作原理,以时基单元为核心,涵盖计数模式、预分频、影子寄存器及定时周期计算。重点解析输出比较(PWM生成)与输入捕获(脉冲测量)机制,阐明CCR与CNT比较逻辑及波形生成流程。深入探讨通用定时器的从模式(如编码器、触发、门控等)与主模式(TRGO同步),明确主从定时器间信号传递关系。结合寄存器配置(CR1、SMCR、CCMR、CCER等),总结定时器在中断、DMA、PWM输出、信号捕获中的应用,实现精准定时与事件控制。

2403_88517351的博客 338

YOLOv11 改进 | 模块即插即用

YOLOv11 是一种单阶段目标检测算法,其核心设计目标在于实现检测速度与精度的平衡。其架构延续了 YOLO 系列“端到端”检测的思路,通过统一的网络结构完成特征提取、多尺度特征融合及最终的边界框预测与分类任务。骨干网络(Backbone)颈部网络(Neck)和检测头(Head)。骨干网络负责从输入图像中提取多层次的语义特征。

u012133341的博客 3123

【YOLOv13多模态融合改进】| CFT:跨模态融合Transformer | 利用Transformer的自注意力机制,解决跨模态融合中的长距离依赖和全局信息整合问题

本文记录的是利用 CFT 模块改进 YOLOv13 的多模态目标检测网络模型。的设计出发点在于解决传统多模态检测中跨模态特征融合不充分的问题,即当不同模态数据需协同检测时,基于CNN的方法因局部卷积的局限性,难以捕捉长距离依赖和全局模态间的互补信息,导致复杂光照、遮挡等场景下检测精度不足。本文利用模块,将多模态特征序列拼接后自动学习模态内与模态间的交互权重,在特征提取阶段整合全局上下文信息,增强对不同模态互补特征的利用能力,从而提升模型在多模态场景下的检测鲁棒性与准确性。Cross-Modality Fus

Limiiiing的博客 540

【官方原创】LAT1721 使用STM32CubeIDE 调试STM32N6 XIP应用的一种方法

本文我们以STM32Cube_FW_N6_V1.3.0包中Template_FSBL_XIP为例,介绍一种使用STM32CubeIDE在DEV模式下直接调试应用的方法,不需要切换Boot模式。

2501_92678806的博客 601

Git下载与安装

一、Git下载 二、Git安装

欢迎订阅我的“JAVA全栈开发笔记(全)”专栏,价格优惠,仅需19.9元。 6万+

CubeMX+STM32】SD卡U盘实现__USB+FATFS (F103 篇)

即回复USB主机的询问:“你这个存储设备有多大?如果不想有弹窗,可以随便指定一个空闲的引脚,这样在生成时就不会弹警告了,但是需要在生成的工程代码里,注释掉引脚检测功能。当不指定检测引脚,在最后生成工程时,会有弹窗警告,不用管它,到时点击Yes即可,将会正常生成工程,代码上不会有任何影响。不推荐 Yes,因为它将针对已使能的SDIO、USB进行必须值的配置,而已设置好的系统时钟,将会被修改成其它值。这个文件,CubeMX已生成了需要用到的接口空函数,目的是为了把USB大容量类的通信与SD卡的读写挂钩起来。

qq_49053936的博客 225

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

STM32智能农业大棚(机智云)丨2027单片机新项目

本文介绍基于STM32F103C8T6的智能农业大棚系统,集成温湿度、光照、土壤湿度、CO2等传感器,支持自动/手动/设置三模式运行。通过OLED显示、步进电机控制卷帘、风扇、水泵、蜂鸣器等执行器实现环境调控,并接入智云平台实现远程监控与控制。代码结构清晰,涵盖传感器采集、数据处理、人机交互及无线通信,配套详细原理图、流程图、元器件清单及视频教程,适用于智能农业项目开发。

qq_44016222的博客 35

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

STM32——GPIO篇

本文系统讲解STM32F103 GPIO的原理与应用,涵盖概念、电气特性、推挽/开漏输出、寄存器控制及输入模式。重点解析了GPIO与引脚的关系、钳位保护、MOS管工作原理、寄存器配置(CRL/CRH、ODR、BSRR等)、上下拉输入及施密特触发器的作用,构建从硬件到软件的完整知识体系,助力深入理解嵌入式开发中的核心外设机制。

wiketsy的博客 285

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

STM32移植FreeRTOS(Cmake+CubeMX)

说明:基于STM32F103C8T6最小系统开发板。

2402_84642203的博客 196

STM32 电流采样为什么在开关沿抖:低边电阻、PWM 触发与 ADC 窗口

给 F103 驱动板加电流环时,采样值总在开关沿乱跳,改 PID 和加滤波都没用。这篇从示波器波形讲起,说明低边采样电阻、运放、PWM 触发与 ADC 注入组怎样对齐,以及采样窗口和 RC 滤波为什么不能互相替代。

Sakura_j_h_的博客 183

HAL库之GPIO(STM32 HAL库学习笔记)

本文系统讲解STM32 HAL库下GPIO的使用,涵盖引脚分布、复用与重映射、四种输出(推挽/开漏)及输入模式,结合闪灯与按钮实验,阐明配置流程。强调通过CubeMX生成工程后,在USERCODE区域编写代码,避免被覆盖;推挽输出适合驱动LED,开漏需外接上拉;输入模式依信号特性选上拉/下拉或浮空。掌握基础后可拓展至中断、PWM等高级应用。

xiaolitongxue222的博客 277

基于 STM32 的风力电站风速风向监测系统(Proteus 仿真)

本文设计了一款基于 STM32F103C8T6 的风力电站风速风向监测系统,采用 PCF8591 实现模拟信号采集,OLED 实时显示风速、风向与报警阈值,支持按键修改阈值,串口上传监测数据,在 Proteus 中完成仿真验证,可作为嵌入式学习、风电监测类课程设计参考方案。

m0_74821307的博客 205

STM32低功耗:休眠3mA降到2μA六步复盘

做电池供电的设备,最怕的不是跑得快,是睡着的时候还在偷偷耗电。我们给客户做的 TMR 隧道磁阻流量计,要求一节 3.6V 锂亚电池(8500mAh)至少撑 6 年。第一版板子打样回来一测休眠电流,3mA——按这个数算,电池四个月就见底。后来一个环节一个环节地抠,最后把休眠电流压到约 2μA,加上唤醒时的平均电流,整体约 3μA。这篇不讲空道理,就把从 3mA 到 2μA 的六步复盘出来,顺带说说哪几个坑最费时间。

qq_40170041的博客 244

STM32和VS1053制作电子琴

围绕十五键 MIDI 音乐键盘,串起 STM32 矩阵扫描、VS1053 合成、事件录制与 Flash 回放,讲清按键状态、音符配对、时间编码和存储边界。

不脱发的程序猿 378

溶解氧传感器(STM32)

本文围绕 SN-3002 荧光法溶解氧传感器展开,介绍其检测溶解氧浓度、饱和度和温度的工作原理、模块参数与引脚定义,说明基于 Modbus-RTU 的 RS485 查询与应答指令格式,并给出 STM32F103C8T6 配合 MAX485 与 OLED 的完整程序设计,包括 main.c、sn3002.h 和 sn3002.c 三个文件的实现思路与关键代码,最后展示实际采集与显示效果,适合水产养殖、污水处理和水质监测等场景的开发者参考。

qq_44016222的博客 229

【嵌入式与机器人实战笔记01】智能除草机器人硬件总览:Jetson 管什么、STM32 管什么

本篇是智能除草机器人系列的开篇,只解决一个问题:把摊在桌上的七八个模块拼成一张能看懂的系统图。先把整车拆成感知、决策、控制、执行、供电五层,说明每层之间只传信号、不传功率;再逐块介绍 Jetson Orin Nano、STM32H743、云卓 GR01 接收机、两块 IBT-2(BTS7960)驱动板、24V 锂电池、履带底盘和相机模块各自负责什么、不负责什么;然后重点讲 Jetson 与 STM32 的分工边界——为什么必须两块板、谁管实时控制、谁管视觉推理,以及两者之间只用一根信号线(Jetson D1

xinjiyaya的博客 699

C语言-单片机(STM32)实例- 指针 结构体 传值

snprintf(buf, sizeof(buf), "OPT4060 红 = %d", (uint16_t)snprintf(buf, sizeof(buf), "OPT4060 绿 = %d", (uint16_t)snprintf(buf, sizeof(buf), "OPT4060 蓝 = %d", (uint16_t)snprintf(buf, sizeof(buf), "OPT4060 全 = %d", (uint16_t)

weixin_42770272的博客 124

【官方原创】LAT1730 基于VSCode从零开始移植STM32C5的X-CUBE-CLASSB

ST意法半导体的X-CUBE-CLASSB-C5功能安全扩展包,提供了STM32C5微控制器的CPU,FLASH,RAM的自检功能,还有对应的Class B功能安全认证的证书。X-CUBECLASSB-C5是以库(.a)的形式提供给用户,该库是独立于编译器的,可以很方便的集成到主流的编译器中,目前扩展包中包含了基于IAR的示例代码。当下VSCode是非常受工程师们的欢迎的,在此我们展示如何基于VSCode从零开始集成自检库。

2501_92678806的博客 241
上一篇: 1 + X 传感网 中级 | 任务一 STM32基础应用开发实践
下一篇: 数据结构进阶 一文详谈二叉搜索树(C++)
万我.
博客等级 码龄1年 460粉丝 93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
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