- 博客(298)
- 收藏
- 关注
RSS订阅原创 IPPO 介绍
IPPO，恰好就是我们上一轮讨论中，用来在Gazebo里训练机械臂的那个“改进版PPO”的核心算法。它是由荷兰格罗宁根大学的研究人员专门为解决6自由度机械臂在复杂、非结构化环境中的运动规划难题而提出的。简单来说，IPPO不是一个全新的算法，而是对标准PPO算法进行的三项针对性改进，让它特别适合机械臂的避障与轨迹规划任务。
2026-03-20 14:19:57
6
原创 gazebo 中通过ppo 进行机械臂轨迹规划
理论基础：IPPO论文提供了完整的算法改进方案工具支持：gym-gazebo2和Stable-Baselines3提供了开箱即用的实现实战路径：先PyBullet快速训练 → 再Gazebo高保真验证 → 最后真实机械臂部署关键成功因素精心设计的状态空间（加入障碍物几何距离）合理的奖励函数（平衡距离、碰撞、限位）采用Sim-to-Sim迁移加速训练。
2026-03-20 14:17:32
106
原创 gazebo 中通过sac 训练机械臂进行轨迹规划
这是将仿真环境与SAC算法对接的关键。要素定义方法（参考案例状态空间State包含三个部分：1.关节状态：当前机械臂各个关节的角度(θ)和速度(v)2.目标位置：深度相机获取的目标螺栓的欧式坐标(p)3.终点坐标：最终期望到达的目标坐标(t)动作空间Action6轴机械臂的连续控制信号。通常为6个关节的目标角度增量或扭矩，记为奖励函数Reward奖励函数是引导智能体学习的关键。一个有效的设计思路是：F$$其中是终点坐标，是当前末端坐标。
2026-03-20 14:09:51
116
原创 OLOv11 + 深度相机的方案实现高精度3D定位
YOLOv11 + 深度相机的方案提供了一个开箱即用的高精度3D定位框架。技术成熟：从模型导出、硬件驱动到坐标计算，都有完整的开源方案支持。精度高：在近距离（0.5m内）可达到毫米级定位误差。速度快：优化后可轻松达到实时（30+ FPS），甚至在高端GPU上超过100 FPS。
2026-03-20 14:03:27
97
原创 ppo 训练一个 6轴机械臂作轨迹规划
使用PPO训练6轴机械臂进行轨迹规划是一个复杂的系统工程。基于最新的研究成果，我将为您详细梳理完整的实现框架和技术要点。
2026-03-20 11:10:43
235
原创 PPO智能体参数详解与调优指南
训练智能体 = 调整这些参数找到最佳组合！hidden_dim= 发动机大小（动力）= 油门灵敏度（反应速度）eps= 转向限制（稳定性）epochs= 练习次数（经验利用）gamma= 视野远近（规划能力）
2026-03-20 09:28:17
226
原创 PPO (Proximal Policy Optimization) 算法模块详细拆解
重要性采样：用旧策略收集的数据更新新策略裁剪目标：限制更新幅度，保证稳定性GAE优势估计：平衡偏差和方差多epoch更新：提高样本效率Actor-Critic架构：同时学习策略和价值。
2026-03-20 09:15:52
296
原创 PPO 示例
状态空间（4维）：小车位置、小车速度、杆的角度、杆的角速度动作空间（2维）：向左移动（0）、向右移动（1）目标：尽可能长时间保持杆子直立，每坚持一步得1分，最多500分终止条件：杆倾斜超过15度或小车超出边界pythonclass PolicyNet(torch.nn.Module): # 策略网络：决定要做什么动作# 输入：状态 -> 隐藏层 -> 输出：动作概率分布class ValueNet(torch.nn.Module): # 价值网络：评估当前状态的好坏。
2026-03-20 09:02:44
290
原创 PPO训练小车
用 Gazebo+ROS 搭建 TurtleBot3，定义观测（激光 / 图像）、动作（线速度 / 角速度）、奖励函数（避障 + 进度）。或用 MetaDrive 做自动驾驶仿真，动作空间为连续（转向 + 油门）。python运行# 设备配置# Actor网络：输出动作概率# Critic网络：输出状态价值。
2026-03-19 15:03:29
325
原创 ROS2 中使用ppo 进行路径规划
在ROS 2中使用PPO进行机械臂路径规划是一个系统工程，关键在于将ROS 2的机器人控制接口与RL的训练循环无缝对接。对于初学者，建议严格遵循上述步骤，从Gazebo仿真开始，并使用Stable-Baselines3作为RL库，这是目前资料最多、最稳妥的路径。对于进阶用户，可以探索将PPO与MoveIt 2结合，或者引入更复杂的网络结构（如LSTM）来处理部分可观测的环境。
2026-03-18 16:44:31
273
原创 PPO 训练一个机械臂
从搭建仿真环境开始，精心设计PPO智能体的“大脑”，然后借助各种先进的改进算法进行高效训练，最后攻克Sim-to-Real的难关，将智能部署到真实世界。
2026-03-18 16:30:01
133
原创 PPO 进行机械臂轨迹规划
总的来说，PPO完全可以胜任机械臂轨迹规划任务，尤其擅长应对不确定性高的动态环境。它提供了一种不同于传统方法的解决思路。不过，PPO也并非万能，它的成功应用依赖于高质量的训练环境、精细的奖励函数设计以及针对具体任务所做的算法改进。
2026-03-18 14:38:18
325
原创 MPC 与PPO SAC 的关系
总而言之，MPC、PPO和SAC的关系已经超越了简单的竞争，走向了深度互补。如果你的任务模型精确、约束明确、安全性要求极高（如工业生产线上的重复作业），基于模型的MPC是稳妥可靠的选择。如果你的任务环境复杂、动态难以建模，但允许大量试错（如游戏AI、仿真环境下的策略学习），无模型的PPO或SAC是强大的工具。其中，SAC在样本效率和随机环境中可能更具优势。如果你的任务既需要保证安全，又需要适应复杂的不确定性（如自动驾驶、空间机器人），那么将两者结合的混合方法。
2026-03-18 14:32:52
320
原创 MPC 进行轨迹规划
通过MPC（模型预测控制）实现机械臂的路径规划，核心思想是利用机械臂的动力学模型，在一个内在线求解一个考虑多种约束的优化问题，从而生成最优的关节运动轨迹。与传统的几何路径规划方法不同，MPC直接考虑了系统的动态特性和物理限制，能生成且的运动。我将从核心原理、关键技术路线和典型应用案例三个方面，为你系统地介绍如何通过MPC实现机械臂路径规划。
2026-03-18 14:17:56
338
原创 PPO 在ROS2 中训练与推理
核心流程：构建 ROS 2 Gym 环境（封装状态 / 动作 / 奖励）→ 初始化 PPO 模型 → 与机器人环境交互训练 → 保存模型并推理部署；关键难点：合理设计奖励函数、确保 ROS 2 状态 / 动作的实时性、准确的运动学求解；落地建议：先在仿真环境（如 Gazebo）中完成训练，再迁移到真实机器人，逐步调优奖励函数和超参数。按此流程，你可以快速在 ROS 2 中实现机械臂的 PPO 训练，适配你的 collaborativearm 机械臂完成轨迹跟踪、抓取等任务。
2026-03-17 17:16:37
306
原创 humble ppo 训练脚本
核心逻辑：PPO 通过学习关节力矩策略，将机械臂状态（关节角 / 速度 + 末端位置）映射为连续动作（力矩），通过奖励函数引导机械臂到达目标位置。训练关键：GAE 优势计算、PPO-Clip 损失裁剪、熵奖励鼓励探索，是保证训练稳定收敛的核心。部署要点：ROS 2 节点需匹配机械臂控制频率（≥100Hz），添加安全裁剪，仿真训练后再迁移到真机。
2026-03-16 14:04:47
32
原创 PPO控制多轴机械臂
适用场景：复杂环境、动态任务、需要自适应 / 柔顺控制的多轴机械臂（抓取、装配、人机交互）优势：PPO 训练稳定、样本效率高，可端到端学习复杂策略，优于传统 PID/MPC 在非结构化环境选型PPO + 自适应 PID端到端 PPO 力矩控制PPO + 多模态输入。
2026-03-16 14:00:11
295
原创 强化学习算法ppo
新手入门首选 PPO：训练稳定、代码简单、调参成本低，能最快获得正向反馈；无需纠结其他算法：先把 PPO 跑通、理解透，再去学 DQN/DDPG 等，会事半功倍；核心学习方法：先跑通代码看效果，再回头理解原理，避免一上来就陷入复杂公式。
2026-03-16 13:27:07
359
原创 RGB-D camara robot arm get
所以，针对你手头的奥比中光Gemini相机实现方案一：先用YOLO等算法检测目标，再结合深度图计算出物体的三维坐标(X, Y, Z)。这对于实现从传送带或固定平台上的“平面抓取”已经足够了。攻克核心难点：集中精力做好手眼标定。这是将视觉坐标转化为机械臂坐标的关键，ROS等框架中有成熟的工具（如）可以帮助你完成这一步。未来扩展：如果你的任务需要抓取随意堆叠、姿态复杂的物体，就需要引入方案三的思路，研究和实现6自由度抓取检测算法。
2026-03-06 16:00:19
305
原创 FPGA AI 结合清单
AMD（Xilinx）适合模型推理的 FPGA/ACAP，核心是Versal AI 系列（带 AIE-ML）、Zynq UltraScale+（带 DPU）、Alveo 加速卡、Virtex UltraScale+，按场景分档推荐如下（2026 年最新）。适合数据中心、900GB/s CXL 全互联、大模型 / 多模型并发、低延迟推理。适合边缘 / 嵌入式、中小模型、低功耗、快速部署。适合服务器级推理、云原生、快速部署。适合自定义推理架构、超高并行、无 AIE 需求。表格
2026-03-05 18:39:25
370
原创 ROS2 实时控制的隐形杀手：Executor 调度模型
上个月调试一个机械臂控制节点。现象非常诡异：本地测试 5ms 控制周期稳如泰山一上产线偶尔跳到 20ms、30ms极端情况直接急停我们做了所有"标准实时优化"：PREEMPT_RT 内核线程 SCHED_FIFO 99mlockall 预分配内存CPU 绑定问题依然存在。最后用 perf 抓火焰图，问题才彻底暴露：控制回调根本不是被系统调度打断，而是被 Executor 串行调度阻塞。
2026-03-03 13:14:50
730
原创 实时系统程序绑定内核
快速验证用taskset：无需改代码，适合单进程绑定，命令行taskset -c 核编号 程序名即可；精准控制用代码绑定：通过（Linux）/（Windows），可实现线程级精准绑定，适合多 FPGA 推理的多线程控制程序；注意事项：绑定的核编号不能超过系统实际核数，且避免多个关键程序绑定到同一个核导致竞争。
2026-03-02 10:46:17
407
原创 多FPGA 进行模型推理
可行，且是高性能 AI 推理的标准方案PCIe/CXL/Ethernet/ 自定义 MGT必须有，片上 + 片外 + 片间缓存缺一不可多 FPGA 推理：可行，且是大模型加速标配通信：PCIe/CXL/MGT 高速串行存储：片上 BRAM + 片外 HBM/DDR5 必须有你现在需要的是能直接落地的多 FPGA 模型推理切分策略，我会按「易实现→高性能」的优先级，给你 3 类核心策略，每个策略都包含适用场景、切分方法和工程注意事项，你可以直接对应到之前的多 FPGA 架构上。入门首选层级切分。
2026-03-02 10:06:55
954
原创 数据标注工具
用户可以根据项目需求自定义标注界面和标注任务，包括创建边界框、多边形、分类、关键点、文本标签等。这种灵活性使得Label-Studio能够适应不同的标注需求，提高标注的准确性和效率。
2026-02-28 15:17:36
658
原创 视觉定位到机械臂抓取
核心流程：RealSense 获取彩色 + 深度→目标检测（2D）→像素转相机 3D 坐标→手眼矩阵转机械臂坐标→机械臂运动抓取；关键前提：手眼标定必须准确（否则抓取偏移），目标检测需适配物体（颜色 / YOLO）；优化方向：用 YOLO 替换颜色检测（适配多物体 / 不规则物体），加力反馈校验抓取是否成功。
2026-02-27 16:20:53
972
原创 双目相机识别位置机械臂抓取
双目相机识别物体位置并引导机械臂抓取，核心是，可实现从 “看到物体” 到 “精准抓取” 的全流程自动化。下面从硬件选型、标定、视觉处理、坐标转换、机械臂控制到完整流程，给出可落地的技术方案。
2026-02-27 16:15:01
1058
原创 docker commit
若想将备份保存为「独立文件」（可拷贝、传输、离线使用），需要在 commit 打包镜像后，再执行 docker save 命令，将镜像导出为 .tar 独立文件，全程步骤如下（直接复制执行，适配你的环境）。• 说明 1：-o 后面是「独立文件的保存路径 + 文件名」，D:\docker\ 是路径（可修改，比如 D:\backup\），ros2_humble_backup_v1.tar 是独立备份文件名（可自定义）；步骤 3：将镜像导出为独立.tar 文件（核心步骤，生成可保存的独立文件）
2026-02-26 10:56:57
358
原创 docker 入门2
新建一个文件夹（如），里面创建Dockerfile（内容和之前给的一致）。打开 Docker Desktop，点击顶部的Build（构建）标签。点击，选择文件夹，镜像标签填，点击Build。Docker Desktop 会自动读取 Dockerfile 并构建镜像，完成后在Images中能看到。核心前提：先配置国内镜像加速器，解决网络解析 / 超时问题，这是拉取成功的关键。图形界面操作：通过Images标签搜索 → Pull 按钮，全程可视化，不用记命令。验证要点。
2026-02-25 16:38:13
547
原创 docker 入门
核心问题：Docker 访问官方仓库超时，本质是网络问题，而非命令或镜像本身的问题。关键解决步骤：在 Docker Desktop 的 Docker Engine 中配置国内镜像加速器，重启后重新拉取。验证要点：通过确认加速器生效，再执行命令。
2026-02-25 15:58:41
283
原创 docker 使用GUI ROS2
核心问题是VcXsrv 未关闭访问控制或Windows 防火墙拦截，而非容器内配置；用命令行启动 VcXsrv（带-ac参数）+ 替换为 Windows 实际 IP，能解决 99% 的连接拒绝问题；xeyes能显示 → rviz2 必能启动，反之先排查 VcXsrv 和防火墙。按这个步骤操作，你就能看到 rviz2 的 GUI 窗口了。如果xeyes仍提示，告诉我你的 Windows IP 和 VcXsrv 启动方式，我帮你定位最后一步问题。
2026-02-25 13:57:32
529
原创 docker 镜像备份
Docker 容器创建一个，核心是用命令，我会给你分步讲解操作方法，包括基础备份、添加标签、验证镜像，以及更规范的备份方式（推荐）。
2026-02-25 13:55:27
337
原创 window 下使用docker
基础启动，适合快速验证环境。增强启动：添加 GUI 支持、目录挂载、主机网络，适合实际开发和运行 ROS 2 程序。：需安装 VcXsrv 并设置 DISPLAY 环境变量，才能显示 RViz/Gazebo 等窗口。
2026-02-24 16:52:15
334
原创 将yolov5 封装到FPGA
• 再通过 HLS（高层次综合）工具（如 Xilinx Vitis HLS、Intel HLS），将模型的核心算子（卷积、池化、激活、Reshape 等）用 C/C++ 实现，编译为 FPGA 的 RTL 代码；• 量化：将模型从 FP32（浮点 32 位）量化为 INT8/INT16（整数 8/16 位），甚至二值化 / 三值化，这是 FPGA 部署的核心优化手段（FPGA 对整数运算的资源利用率远高于浮点）；
2026-02-11 15:29:47
356
原创 张量数据库的优势与劣势
摘要：张量数据库专为高维张量数据（如AI特征、多媒体向量）设计，在存储压缩比（50%-90%）、相似性检索效率（毫秒级响应）及AI框架兼容性方面具有绝对优势，特别适合推荐系统、多模态检索等场景。但其在传统事务处理、低维数据支持及生态成熟度方面存在明显短板，无法替代关系型数据库。实际应用中建议采用"关系库+张量库"的协同架构，通过唯一标识关联两类数据。选型时需明确业务是否以高维张量处理为核心，避免在传统事务场景中使用。（149字）
2026-02-09 17:57:20
713
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人