机器人 - 关于MIT电机模式控制

目录

一、MIT电机模式简单介绍

1.1 简单介绍

1.2 MIT模式的控制参数

1.3 使用场景

二、调试时建议

2.1 调试

2.2 问题定位


一、MIT电机模式简单介绍

1.1 简单介绍

Mixed Integrated Torque为一种混合控制模式,在同一帧CAN数据里包含 位置、速度、扭矩三类的闭环指令。驱动器里面把位置环、速度环、前馈扭矩相加,得到一个参考电流,然后再交给电流环完成精准扭矩输出。


1.2 MIT模式的控制参数
参数含义取值范围(常见)说明
kp位置比例系数(刚度)0 ~ 500 (单位视驱动器而定)kp = 0 时位置环失效,仅靠速度/扭矩环工作
kd位置微分系数(阻尼)0 ~ 500kd = 0 时位置环会产生振荡,实际使用时需给一个非零值
pos (q)期望位置(单位:计数或角度)-12.5 ~ 12.5 rad(示例)位置环的目标值
vel (dq)期望速度(单位:rpm)-30 ~ 30 rpm(示例)速度环的目标值
torq (tau)前馈扭矩(单位:Nm)-T_MAX ~ T_MAX直接给定的扭矩,常用于 纯扭矩控制(kp = kd = 0)

1.3 使用场景
场景参数设置示例说明
匀速转动kp = 0,kd ≠ 0,pos = 0,vel = 目标速度,torq = 0只打开速度环,电机以恒定速度运行。
纯扭矩输出kp = 0,kd = 0,pos = 0,vel = 0,torq = 目标扭矩前馈扭矩直接驱动电流环,适用于 力矩控制(如抓取、阻尼)
点到点位置控制kp > 0,kd > 0,pos = 目标位置,vel = 0,torq = 0位置环+速度环共同作用,实现平滑定位。
位置‑速度‑扭矩混合kp > 0,kd > 0,pos = 目标位置,vel = 目标速度,torq = 前馈扭矩适用于 刚度‑阻尼‑外力补偿(如机械臂的阻抗控制)。

在使用位置控制时,kd不能为0,否则电机会振荡、失控;



二、调试时建议

2.1 调试
步骤操作要点
① 先打开位置环设定 kp > 0kd > 0,观察位置响应曲线,确保无明显超调。
② 调整阻尼增大 kd 可抑制振荡;若响应过慢,可适当降低 kp
③ 速度环在位置环基础上调节 vel(目标速度)或直接使用 kp=0、kd≠0 进行 纯速度控制
④ 前馈扭矩当负载较大时,适当加入 torque 前馈,以补偿静摩擦或外部扰动。
⑤ 监测电流通过驱动器的电流反馈(CAN 0x02 帧)检查是否出现 过流,必要时限制 torque 上限。

2.2 问题定位
问题可能原因检查方式
电机不转动kp=0、kd=0、torque=0(所有环失效)确认发送的参数中至少有一个非零值。
出现振荡kd 设为 0 或过小增大 kd,或在位置环加入适当的 kp
转速偏差大前馈扭矩未补偿负载在 torque 参数中加入正向前馈,或调大 kp
CAN 报文未到达报文 ID 错误或波特率不匹配用示波器或上位机抓包确认 ID 为 0x00+motor_id(位置帧)和 0x01+motor_id(扭矩帧),波特率与驱动器保持一致(默认 1 Mbps)。
电机过流保护torque 设定过大限制 torque 幅值在驱动器手册规定的 T_MAX 范围内。

Read more

东方审美算法解构:Asian Beauty Z-Image Turbo如何通过提示词工程强化文化特征

东方审美算法解构:Asian Beauty Z-Image Turbo如何通过提示词工程强化文化特征 1. 项目简介与核心价值 Asian Beauty Z-Image Turbo是一款专门针对东方美学优化的本地图像生成工具,基于通义千问Tongyi-MAI Z-Image底座模型,注入经过充分训练的Asian-beauty专用权重(v1.0_20版本)。这个工具的核心价值在于:不需要联网就能生成符合东方审美的精致人像,所有数据处理都在本地完成,彻底保障隐私安全。 与通用图像生成模型不同,这个工具从底层就针对东方人像特征进行了专门优化。通过精心设计的提示词工程和模型参数调优,能够生成更加符合东方审美的高质量人像图片。无论是面部特征、肤色质感还是整体气质,都更加贴近真实的东方美感。 2. 技术架构与优化策略 2.1 模型架构设计 工具采用BF16精度加载模型,在保证生成质量的同时显著降低显存占用。通过权重注入方式部署Asian-beauty专用safetensors权重,这些权重经过大量东方人像数据的训练,能够更好地捕捉和表现东方美学特征。 技术架构的核心优势在于:

By Ne0inhk

MinHash 去重策略:小白也能轻松上手的大规模文本去重神器

MinHash 去重策略:小白也能轻松上手的大规模文本去重神器 大家好!今天我们来聊一个在大数据时代特别实用的技术——MinHash 去重策略。如果你刚接触数据处理、网页爬虫、AI 训练数据清洗等场景,经常会遇到一个头疼的问题:手里有成千上万甚至上亿篇文本,怎么快速找出重复或几乎一模一样的文章? 直接一个个比对?太慢了!MinHash 就是专门为这种大规模“近似去重”而生的工具。它能快速判断两篇文本是否高度相似,而且速度快、内存省。下面我们用最通俗的语言,一步步带你搞懂它。 为什么需要近似去重? * 完全重复:两篇文章一字不差,用普通哈希(如 MD5)就能轻松检测。 * 近似重复:有人改了几个词、加了广告、换了标题……内容 90% 一样,这时候普通哈希就失效了。 MinHash 的强项就是捕捉这种“近似重复”,特别适合新闻聚合、爬虫去重、AI 训练数据清洗等场景。 MinHash 的核心思路:把文本变成集合,

By Ne0inhk

《数据结构(C语言版)》严蔚敏_吴伟民 第三版 高清扫描版

《数据结构(C语言版)》严蔚敏_吴伟民 第三版 高清扫描版 【下载地址】数据结构C语言版严蔚敏_吴伟民第三版高清扫描版探索数据结构的核心精髓,开启编程世界的智慧之门!《数据结构(C语言版)》第三版高清扫描版,由严蔚敏与吴伟民联袂打造,权威且实用。高清画质确保每一页都清晰可见,完整内容涵盖所有章节与附录,让您深入理解数据结构的奥秘。无需携带厚重的实体书,随时随地通过电子设备畅享知识盛宴。无论是初学者还是进阶者,这份资源都将成为您学习数据结构的得力助手。立即下载,开启您的数据结构学习之旅,掌握编程的基石,迈向技术巅峰! 项目地址: https://gitcode.com/Premium-Resources/2bed9 《数据结构(C语言版)》是由严蔚敏和吴伟民共同编写的大学教材,目前已更新至第三版。本书全面系统地介绍了数据结构的基础知识及其在C语言中的应用,内容丰富,结构清晰,是学习数据结构不可或缺的参考资料。 本仓库提供的是《数据结构(C语言版)》第三版的高清扫描版资源,具有以下特点: * 高清扫描,保证了文本的清晰度和可读性。 * 内容完整,包含了书籍的所有章节和附录。

By Ne0inhk
2025 腾讯广告算法大赛 Baseline 项目解析

2025 腾讯广告算法大赛 Baseline 项目解析

项目概述 2025 腾讯广告算法大赛 Baseline,一个简单的序列推荐系统,主要用于建模用户和物品的交互序列,并利用多模态特征(文本、图像等 embedding)来提升推荐效果。 核心文件功能 1. main.py - 主训练脚本 * 负责模型训练的整体流程 * 包含参数解析、数据加载、模型初始化、训练循环等 * 支持断点续训和仅推理模式 * 使用 TensorBoard 记录训练日志 main.py 代码 import argparse import json import os import time from pathlib import Path import numpy as np import torch from torch.utils.

By Ne0inhk