机器人控制与仿真应用

PyRoki：模块化机器人运动学优化工具包 本文介绍了PyRoki，一个模块化、可扩展且跨平台的机器人运动学优化工具包。PyRoki通过统一变量和成本函数接口，简化了逆运动学、轨迹优化和运动重定向等任务的实现，支持CPU、GPU和TPU加速。实验表明，PyRoki在批量逆运动学任务中比现有GPU加速库cuRobo快1.4-1.7倍，且收敛误差更低。其模块化设计支持快速集成新成本函数，并通过交互式可视化工具优化参数配置。PyRoki开源发布，为机器人运动优化提供了灵活高效的解决方案。

PyRoki是一个用于机器人运动学优化的Python库，具有模块化设计、可扩展性和跨平台支持等特点。它支持逆运动学、轨迹优化和动作重定位等任务，采用Levenberg-Marquardt优化器提高效率。主要功能包括：基于URDF的可微分正向运动学模型、自动生成碰撞基元、通用成本因子和自定义成本函数等。PyRoki支持CPU、GPU和TPU运行，适用于从单机器人到大规模并行处理场景。目前存在一些限制，如仅支持软约束、静态形状和特定关节类型等。官方提供了多个应用示例，包括基础逆运动学、碰撞检测、轨迹优化和手部/

本文提出了一种基于虚拟正向动力学的笛卡尔控制方法，用于速度驱动机器人的导纳控制。通过简化虚拟模型动力学，将笛卡尔控制信号映射为关节加速度，并动态调整末端执行器质量占优比γ，使系统在操作空间呈现线性特性。实验表明，该方法在保持雅可比逆矩阵精度的同时，显著提升了奇异点附近的稳定性，其性能优于传统的阻尼最小二乘法（DLS）。研究验证了虚拟正向动力学在实时控制中的可行性，为工业机器人提供了一种兼具稳定性与操作性的新控制方案。

在使用长广溪机器人画画时，由图像处理得到素描图，将素描图截断为若干段坐标簇，我需要将接受到的图像坐标系下的点簇转换为机器人坐标系下的点，即完成由图像坐标系到机器人坐标系之间的转换。这里借用了OpenCV的solvePnP函数的坐标转换功能完成相关任务，如有错误，望指正。关于焦距的设定可以依据官网进一步讨论。

SOLIDWORKS 应用程序根据模型几何体和材料属性计算质量、密度、体积等属性。您可覆盖某些属性的计算值。在零件或装配体中，您可查看面和草图的区域属性。您可为质量、质量中心和惯性张量指定数值以覆盖所计算的值。如果您生成简化形式的零部件且希望将正确的质量属性指派到此模型，则此选项很有用。

控制器区域网络（CAN）非常适合许多采用 CAN 和 ISO-11898:2003 作为物理层的高级工业协议。它的成本、性能和可升级性为系统设计提供了极大的灵活性。本应用报告介绍了 CAN 的基本原理、工作原理以及使用 TI CAN 收发器和 DSP 实现基本 CAN 总线的过程。报告讨论了 CAN 总线的电气层要求以及 TI CAN 收发器不同功能的重要性。

TOPPRA是一个用于计算满足运动学和动力学约束的几何路径参数化库。文章介绍了其基本用法、安装指南（包括Python和C++ API）、使用技巧以及多个应用示例。主要内容包括：1. 核心功能是计算时间最优路径参数化，生成满足约束的最快轨迹；2. 提供多种安装方式和支持不同求解器后端；3. 详细说明了网格点选择、参数化器设置等关键参数配置；4. 包含一维路径、多关节系统、特定时长参数化等多个代码示例；5. 支持处理鲁棒运动学约束等高级功能。该库具有计算高效（毫秒级）、支持多种约束类型、提供自动网格点选择等特点

IsaacLab开源项目推出Newton物理引擎实验性分支，为机器人仿真研究提供高性能GPU加速解决方案。该分支包含安装指南（支持pip和二进制安装）、训练环境配置（支持Cartpole、Ant等任务）、Newton可视化工具及仿真策略迁移工作流。核心功能包括：1）基于MuJoCo-Warp求解器的物理仿真；2）仿真器间策略转移验证；3）面向真实机器人的仿真到现实策略迁移（采用教师-学生蒸馏方法）。当前支持Unitree G1/H1和ANYmal-D等机器人平台，但处于早期开发阶段，存在功能限制和文档不完善

本文提出了一种名为流策略优化（FPO）的新算法，将流匹配技术引入强化学习领域。流模型作为连续空间建模的首选方法，通过多步映射能捕捉复杂的多模态分布。FPO通过三步循环实现：流模型生成动作、用奖励计算优势、基于优势权重进行流匹配优化。实验表明，FPO在条件不足的人形机器人控制任务中表现优于传统高斯策略，能有效学习多模态动作分布。该方法结合了流模型的表达优势与强化学习的奖励驱动特性，为复杂控制任务提供了新思路。

Noether工具路径规划系统摘要 Noether是一款用于网格曲面刀具路径规划的软件，支持喷涂、打磨、检测等机器人工艺流程。其核心流程分为三步：1)网格修改（平滑、分割等预处理）；2)刀具路径规划（生成有序路径点序列）；3)刀具路径修改（姿态调整等后期处理）。系统提供栅格规划和边界规划两种模式，支持自定义扩展。配套GUI工具可配置完整流程，包含网格处理、路径生成和可视化功能。通过示例演示了多组件网格处理、拼图边缘铣削等典型应用场景，并指导用户进行插件开发，实现圆柱体提取、摄像机悬停等定制化功能。系统采用模

本文介绍了MimicKit运动模仿算法框架的使用指南。主要内容包括：1)安装IsaacGym和依赖项；2)训练模型命令及参数说明；3)测试模型的方法；4)分布式训练配置；5)使用TensorBoard可视化日志；6)动作数据格式说明。该框架支持DeepMimic、AMP、ASE、ADD等算法，包含PPO、AWR等强化学习算法，适用于物理仿真角色动画控制研究。

摘要：mjlab是一个结合IsaacLab API和MuJoCo物理引擎的强化学习框架，专为机器人研究和仿真部署设计。目前处于测试阶段，建议从源代码安装。核心功能包括速度跟踪和动作模仿训练，支持Unitree G1等机器人模型，需配合NVIDIA GPU运行。提供演示程序、训练脚本和评估工具，集成WandB进行数据管理。注意macOS仅支持评估且性能受限，测试版可能存在功能变更。

本文介绍了机器人学中的数字机器人学、正逆运动学、动力学仿真与控制、最优控制等核心主题，以及Pinocchio库的应用。内容包括： 数字机器人学：通过UR5机器人模型演示了构型空间采样、碰撞检测、路径规划等基础操作，使用优化方法在约束条件下寻找有效构型。 运动学：详细讲解了二维和三维机器人的正运动学（构型到末端位置）和逆运动学（目标位置到构型），包括串联机械臂和并联机器人的处理。 动力学与控制：介绍了动力学仿真（如自由落体、摩擦效应）、PD控制、计算扭矩控制，以及接触仿真（碰撞检测与处理）。 最优控制：以独轮

摘要 -- 我们介绍的 Pinocchio 是一个开源软件框架，用于实现刚体动力学算法及其分析导数。Pinocchio 不仅包括机器人学中使用的标准算法（如正向和反向动力学），还提供了对机器人的控制、规划和仿真至关重要的附加功能。在本文中，我们将描述这些功能，并详细介绍使 Pinocchio 高效的规划模式和设计。我们评估了与 RBDL 的性能对比，RBDL 是另一个在机器人界广泛传播的框架。我们还展示了 Pinocchio 中嵌入的源代码生成功能如何优于其他先进方法。

【摘要】Scene Synthesizer是一个用于3D场景程序化生成的Python库，专为机器人仿真训练设计。文章介绍了其安装方法（pip或git）和核心概念：1) 资产(Asset)系统支持多种3D模型格式和参数化尺寸调整；2) 场景(Scene)管理通过有向无环图组织对象，支持基于锚点的层级合成；3) 提供了丰富的程序化资产（如橱柜、货架、餐具等）和6个预定义厨房场景。该库采用仿真器无关架构，强调物理仿真的多样性和扩展性，相比现有数据集和生成模型能创建更复杂的交互场景，适用于机器人操作任务训练。

Newton 是一个 GPU 加速、可扩展和可微分的物理仿真引擎，专为机器人、研究和高级仿真工作流而设计。Newton 基于 NVIDIA Warp 并集成了 MuJoCo Warp，为用户和开发人员提供了高性能仿真、现代 Python API 和灵活的架构。

本文介绍了如何将NVIDIA CloudXR与IsaacLab结合使用，通过Apple Vision Pro实现沉浸式机器人远程操作。主要内容包括：系统要求（推荐使用RTX 6000 Ada GPU和Vision Pro）、两种运行CloudXR Runtime的方法（推荐Docker Compose方案）、Vision Pro客户端的构建安装步骤，以及XR开发要点（场景定位、性能优化90Hz/45Hz渲染、手部追踪重定向架构）。文章还提供了OpenXR设备集成方案和已知问题的解决方法，为构建高保真远程操作

我们按照文献[50, 25]中的方法实现了操纵杆运动任务，其中指令由三个值指定，分别表示所需的前进速度、横向速度和机器人根部身体的转动速度。此外，我们还为倒立和脚立式任务设计了策略，在这些任务中，机器人分别用前肢或后肢保持平衡，同时最大限度地减小致动器扭矩。在跌倒恢复方面，我们遵循了文献[30, 58]，使机器人能够从任意的跌倒姿态恢复到稳定的 “原点 ”姿态。我们执行的操纵杆运动任务与四足动物环境中的相同。

《IsaacLab策略训练与部署指南》提供了在仿真和真实机器人上实现HOVER全身控制策略的完整流程。主要内容包括：1) Linux环境下的IsaacLab安装与HOVER资源库配置；2) 使用1024个并行环境训练教师/学生策略的详细步骤；3) 策略测试与评估方法；4) Sim2Sim仿真验证和Sim2Real真实机器人部署方案。本教程特别针对Unitree H1仿人机器人，包含运动数据准备、策略训练、性能评估到硬件部署的全链条实现方案，为机器人控制策略开发提供标准化参考框架。

本文介绍了ManiSkill机器人仿真器的安装、快速入门及Docker使用指南。ManiSkill基于SAPIEN技术，支持GPU并行物理仿真和渲染，提供标准的Gym/Gymnasium接口，便于与强化学习和模仿学习等现有工作流程配合使用。安装过程简单，通过pip命令即可完成，支持夜间版本更新。对于MacOS用户，安装Vulkan驱动程序需要更多设置。ManiSkill目前最支持基于Linux的系统，对Windows和MacOS的支持有限。文章还提供了故障排除指南，特别是在Ubuntu上安装Vulkan的详

本文介绍了一种基于MuJoCo物理引擎的简单但高效的全身模型预测控制（MPC）方法，成功应用于四足机器人和仿人机器人的实时控制。通过迭代线性二次调节器（iLQR）算法，该方法在仿真和现实世界中均表现出色，几乎无需考虑仿真到现实的转换问题。研究展示了该方法在动态四足运动、双足行走等任务中的有效性，并提供了开源工具和交互式图形用户界面，旨在降低全身MPC研究的门槛，推动社区研究进展。文章还讨论了接触建模、执行器阻抗、时变线性反馈等关键实施细节，并提出了未来在状态估计、系统识别和算法改进方面的研究方向。

OceanSim 采用先进的基于物理的渲染技术，对水下视觉和声学传感器进行精确建模。与其他模拟引擎相比，OceanSim 的渲染速度要快得多。作为 NVIDIA Issac Sim 的扩展，OceanSim 采用了多功能设计。通过融入快速发展的 NVIDIA Omniverse 生态系统，我们的模拟器自然而然地在机器人学习和水下机器人技术之间架起了一座桥梁，从而促进了水下应用中体现型人工智能技术的开发和部署。OceanSim 将以开放源码的方式提供，使研究界能够以合作的模式作出贡献。

关节控制器是低层面控制器，用于控制 Isaac Sim 中的关节位置、关节速度和关节力度。关节控制器可通过 Python 和 Omnigraph 接口连接。注意角度单位以弧度为单位，而USD中的角度以度为单位，关节控制器将进行相应调整。

建议使用教程（请参阅页面顶部菜单中的相应项目）：在 20 个小时的工作中生成第一个仿人行走机器人，同时了解 Python、Pinocchio 界面、逆运动学和 LQR。

在下面的推导中，我们使用泰勒多项式来逼近非线性函数。我们通常对状态和控制两个变量的非线性函数的一阶或二阶近似感兴趣。以下推导可能会有所帮助。f(x)的二阶泰勒级数近似，f(x)是一个非线性标量值函数，它依赖于一个变量（x∈R），并围绕 xˉ\bar{x}xˉ（不一定为零）线性化：f(x)→f(xˉ+δx)≈f(xˉ)+∂f∂x∣xˉ(x−xˉ)+12∂2f∂x2∣xˉ(x−xˉ)2≈f(xˉ)+∂f∂x∣xˉδx+12∂2f∂x2∣xˉδx2\begin{aligned}f(x)\rightarrow

这个离散优化控制问题的微分动态程序设计包括辛普森正交阶段成本、一阶保持控制、不可行控制、最短时间以及一般非线性等式和不等式约束，用于解决以下问题：min⁡u,tfℓf(x(tf))+∫0tfℓ(x,u)dts.t.x˙(t)=f(x(t),u(t))+ui(t)xmin≤x(t)≤xmax,0≤t≤tfumin≤u(t)≤umaxh(x(t),u(t))=0g(x(t),u(t))≤0ui(t)=0tfmin≤tf≤tfmaxx(tf)=xfx(0)=x0\begin{aligned}& \begin

布莱恩-杰克逊、泰勒-豪威尔斯坦福大学机器人探索实验室2019年7月2日xk+1=Akxt+Bkukx_{k+1}=A_kx_t+B_ku_kxk+1​=Ak​xt​+Bk​uk​J(x0,U)=12xNTQfxN+12∑k=1N−1xkTQkxk+ukTRkukJ(x_0,U)=\frac{1}{2}x_N^TQ_fx_N+\frac{1}{2}\sum_{k=1}^{N-1}x_k^TQ_kx_k+u_k^TR_ku_kJ(x0​,U)=21​xNT​Qf​xN​+21​k=1∑N−1​xk

有了 δLˉ\delta\bar{L}δLˉ 后，我们还需要方程中的 δPˉ\delta\bar{P}δPˉ，以便计算方程 51 中的 Q 元素。我们只需将线性化的离散动力学（公式 43）插入下一时间步的成本-去向中即可：δP(δy,δv)=12[δyδv]T[SyySyvSvySvv][δyδv]+[SySv][δyδv](34)δPˉ(δx,δu,δv)=12[Aδx+Bδu+Cδvδv]T[SyySyvSvySvv][Aδx+Bδu+Cδvδv](35)+[SySv][Aδx+Bδu+Cδvδv]=

导入URDF调整机器人参数该属性用于传感器标签，为传感器提供Isaacsim配置。有两种可能的用途--随Isaacsim提供的预配置激光雷达或用户自定义配置。与用户自定义配置一起使用时，必须提供配置json的位置，否则就必须提供预配置激光雷达的配置名称。URDFImporter的测试中提供了一个示例配置文件，位于data/lidar_sensor_template中。注意事项。

线性倒立摆是一种点质量模型，主要针对足式机器人运动的平移动力学。

物理系统的运动方程描述了其运动与时间和可选控制输入的函数关系。其一般形式如下其中，是时间变量、是广义坐标矢量，例如机械手的关节角矢量、是的一阶时间导数（速度）、是的二阶时间导数（加速度）、是控制输入矢量。这些方程提供了控制空间、我们发送给执行器的指令和机器人运动状态空间之间的映射。想象一个刚体块在桌面上滑动，我们可以将其视为坐标为 𝑥 的 1-DOF（一自由度）系统。操作员施加水平力 𝑢 将木块向前推。

Drake（中古英语中的 "龙"）是一个 C++ 工具箱，由麻省理工学院计算机科学与人工智能实验室（CSAIL）的机器人运动小组开发。目前，开发团队已大幅壮大，核心开发工作由丰田研究所领导。这是一套用于分析机器人动力学和构建机器人控制系统的工具集合，重点强调基于优化的设计/分析。虽然机器人仿真工具的数量越来越多，但它们大多像黑盒子一样：指令输入，传感器输出。

请注意，table.set_pose(pose) 设置的是演员在世界帧中的坐标系姿势。移除的实体可以再次添加到场景中，但已在场景中的实体则不能再次添加。显示器可以是物理的（如显示器），也可以是虚拟的（如 VNC）。我们可以通过 get_pose()、get_linear_velocity() 和 get_angular_velocity()获取演员的运动量（姿势、线速度、角速度）。现在，让我们创建一个斜坡。例如，您可能需要一个简单的碰撞形状来进行快速模拟，但却需要一个复杂的视觉形状来进行逼真的渲染。

从形式上讲，ZMP 指的是空间中相对于一个平面（通常是地平面）抵消接触力矩的点的集合。这个集合实际上是一个轴，而不是一个点，但为了方便起见，让我们按照传统的推导方法来计算地面平面上的 ZMP。这一推导从任何多刚体系统的牛顿-欧拉运动方程开始：其中，为机器人的总质量，为重力矢量，为系统的重心，为加速度，为固定点的角动量变化率。在右侧，表示净接触扭矩，即施加到机器人上的所有接触扭矩之和，坐标取自质心 (COM)。

在低维模型系统的背景下，已经开展了大量有关欠驱动系统控制的工作。这些模型系统捕捉到了问题的本质，却没有引入更真实世界的例子中经常涉及的所有复杂性。在本章中，我们将重点讨论两个最著名、研究最深入的模型系统--Acrobot 和 Cart-Pole。在我们开发了一些工具后，我们将看到这些工具可以直接应用于其他模型系统；我们将使用四旋翼机器人举出一些例子。所有这些系统都是微不足道的欠驱动系统，执行器数量少于自由度。

通过以上四个层面的战略布局与实施举措，我国正全力推动人形机器人产业迈向高质量发展的新阶段，力求在全球竞争中占据领先地位，为经济社会各领域的发展注入新动能。

RSL 机器人系统实验室提供大量开源软件包，为机器人社区提供支持。请查看github。

摘要 -- 我们提出了一种带驱动轮的四足机器人轨迹优化器。通过级联方式求解底座和脚部轨迹的角度、垂直和平面分量，并引入零点平衡准则的新型线性公式，我们只需进行二次规划，从而无需非线性最优规划。然而，即使是包含完整飞行阶段的步态，我们也能生成执行复杂运动的轨迹，其中包括同时驾驶、行走和转弯。我们在对装有轮子的四足机器人 ANYmal 的模拟中验证了我们的方法，我们能够以 50 Hz 的频率运行所提出的轨迹优化器。据我们所知，这是首次使用在线运动规划器为有轮足式四足机器人演示这种动态运动。

OSQP 求解器文档[请访问我们的 GitHub 讨论页面 (https://github.com/orgs/osqp/discussions)，了解与求解器相关的任何问题！OSQP（运算符分割二次方程式程序）求解器是一个数值优化软件包，用于求解形式如下的凸二次规划其中 x 为优化变量，x 为半正定矩阵。半正定矩阵，是正定矩阵的推广。实对称矩阵A称为半正定的，如果二次型X'AX半正定，即对于任意不为0的实列向量X，都有X'AX≥0.代码可在 GitHub 上获取。

这段代码定义了一系列参数和配置，用于控制一个名为CartPole的系统的动态行为。其中包括CartPole系统的参数（如质量、长度等），SQP优化算法的配置， rollout（系统动态模拟）的配置，MPC（模型预测控制）的配置，初始状态和状态、控制、目标权重矩阵，以及最终目标状态。这些参数和配置将用于控制CartPole系统的运动。这段代码描述了一个模型预测控制（MPC）问题的详细配置，应用在经典的 CartPole 平衡任务上。