SOM V3.4.2c++DLL转lua的具体应用及具体步骤|| 足球机器人||用户自定义技能实战使用||VSc++项目的配置过程

目录

一.下载vs2013

二.DLL转lua的具体应用及具体步骤

 1.新建项目,快捷键ctrl shift N

2.选已安装->Win32控制台应用程序,名字自己填就行(没有特别要求),位置路径最好是全英文

 3.进入向导//对照一下选项,跟上面一致就行

 4.创建成功

 5.进入自己配置的文件夹中,在demo/demo下新建src文件夹,记住一点是/**/**下

##我这边项目取名为demo##名字取得不同的话,路径位置同理

 6.将utils文件夹导入src中#utils文件夹在官方发的文档里自行寻找

​编辑 7.点击图片中显示所有文件的图标

 8.右击项目(demo),添加->现有项,找到utils中的文件,CTRL A全选添加

 9.找到官方文件夹中的c++技能例子,我这里找的是def例子中Debug文件夹下的worldmodeld,将Debug文件夹拷贝到/demo文件夹下,注意是第一个demo!!!,如有其他版本的SOM同理。

 10.右击项目(demo),属性

1.C/C++->常规->附加包含目录->编辑->文件夹图标->...将Debug文件夹添加进去

 2.链接器->常规->附加库目录->编辑,同理将Debug文件夹添加进去​编辑

3.链接器->输入->附加依赖项,将worldmodeld.lib拷贝进去,其他som版本*.lib的名字不同,请选用原始名字,步骤一样即可

11.右击src文件夹,添加->新建项,新建一个cpp和h文件,我这边取名为demo1,新建好如图所示,#其实我感觉不需要新建h文件,就这样吧

 三.正式开始编写自己的技能

1.首先配置h文件

 2.编写cpp文件,#我这边写一个最基础的跑位函数作为示范,切记基础框架为:

 3.写好之后,生成->重新生成demo

 4.生成成功dll,dll文件放在Debug文件夹中​编辑

 5.将demo.dll文件复制到user_skills文件夹下

 6.打开sublime Text,新建一个demo_test.lua文件,将demo名字填进去#没有下载sublime Text或lua没有配置成功的,看这里:点这里点这里

 7.运行发现,跑位功能实现,dll调用成功


一.下载vs2013

下载通道①百度网盘丨64位下载链接:

https://pan.baidu.com/s/1IEqYP-Jpqi7YaxnyZZum6A

提取码:7xk7

二.DLL转lua的具体应用及具体步骤

 1.新建项目,快捷键ctrl shift N

2.选已安装->Win32控制台应用程序,名字自己填就行(没有特别要求),位置路径最好是全英文

 3.进入向导//对照一下选项,跟上面一致就行

 

 4.创建成功

 5.进入自己配置的文件夹中,在demo/demo下新建src文件夹,记住一点是/**/**下

##我这边项目取名为demo##名字取得不同的话,路径位置同理

 6.将utils文件夹导入src中#utils文件夹在官方发的文档里自行寻找

7.点击图片中显示所有文件的图标

 

 

 8.右击项目(demo),添加->现有项,找到utils中的文件,CTRL A全选添加

 

 

 9.找到官方文件夹中的c++技能例子,我这里找的是def例子中Debug文件夹下的worldmodeld,将Debug文件夹拷贝到/demo文件夹下,注意是第一个demo!!!,如有其他版本的SOM同理。

 

 10.右击项目(demo),属性

1.C/C++->常规->附加包含目录->编辑->文件夹图标->...将Debug文件夹添加进去

 

 

 

 2.链接器->常规->附加库目录->编辑,同理将Debug文件夹添加进去

 

3.链接器->输入->附加依赖项,将worldmodeld.lib拷贝进去,其他som版本*.lib的名字不同,请选用原始名字,步骤一样即可

 

 

11.右击src文件夹,添加->新建项,新建一个cpp和h文件,我这边取名为demo1,新建好如图所示,#其实我感觉不需要新建h文件,就这样吧

 

 三.正式开始编写自己的技能

1.首先配置h文件

 2.编写cpp文件,#我这边写一个最基础的跑位函数作为示范,切记基础框架为:

#include"demo.h"
#include"utils\maths.h"

extern "C"_declspec(dllexport) PlayerTask player_plan(const WorldModel* model, int robot_id);

PlayerTask player_plan(const WorldModel* model, int robot_id){
	PlayerTask task;

	

	return task;
}

 3.写好之后,生成->重新生成demo

 4.生成成功dll,dll文件放在Debug文件夹中

 

 5.将demo.dll文件复制到user_skills文件夹下

 6.打开sublime Text,新建一个demo_test.lua文件,将demo名字填进去#没有下载sublime Text或lua没有配置成功的,看这里:点这里点这里

 7.运行发现,跑位功能实现,dll调用成功

 

 

  • 15
    点赞
  • 43
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
【资源说明】 基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip 基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip 基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip 基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip 基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip基于ROS的足球机器人视觉Python_Yolo+决策(C++项目源代码.zip 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
SOM是一个自组织映射神经网络,它的主要用途是将高维数据映射到一个低维度的空间中,可以用于聚类、可视化等任务。因此,它本身并不适合用来编写足球传球的程序。 但是,你可以使用Lua脚本与其他神经网络框架(如TensorFlow、PyTorch等)结合使用,来实现足球传球的模拟。以下是一个简单的示例代码: ```lua -- 导入相关库 require "torch" require "nn" require "nngraph" -- 定义模型 input_size = 5 -- 输入向量的维度 output_size = 3 -- 输出向量的维度 hidden_size = 10 -- 隐藏层的大小 -- 定义输入节点 input = nn.Identity()() -- 定义隐藏层节点 hidden = nn.Linear(input_size, hidden_size)(input) hidden = nn.Tanh()(hidden) -- 定义输出节点 output = nn.Linear(hidden_size, output_size)(hidden) -- 定义模型 model = nn.gModule({input}, {output}) -- 定义输入和输出 input_data = torch.randn(input_size) output_data = torch.randn(output_size) -- 进行训练 criterion = nn.MSECriterion() -- 定义损失函数 lr = 0.01 -- 学习率 for i=1,1000 do -- 前向传播 prediction = model:forward(input_data) -- 计算损失 loss = criterion:forward(prediction, output_data) -- 反向传播 grad = criterion:backward(prediction, output_data) model:backward(input_data, grad) -- 更新权重 model:updateParameters(lr) end -- 进行预测 input_data = torch.randn(input_size) prediction = model:forward(input_data) print(prediction) ``` 在这个示例中,我们使用了一个简单的前向神经网络模型来模拟足球传球。输入向量包含了球员的位置和球的位置等信息,输出向量包含了传球的方向和力量等信息。我们使用了均方误差损失函数来训练模型,并使用学习率为0.01的随机梯度下降算法来更新模型的参数。最后,我们使用模型进行预测,并输出了预测结果。 需要注意的是,这只是一个简单的示例代码,实际上足球传球的模拟涉及到更复杂的场景、规则等因素,需要更加复杂的模型和算法来进行建模和仿真。
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

打赏作者

你我我他

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
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