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

C# VS Python:AI模型路由生死局!我熬3个通宵压测出的血泪选型指南

C# VS Python:AI模型路由生死局!我熬3个通宵压测出的血泪选型指南

我手抖点开日志—— RuntimeError: Cannot allocate memory Thread pool exhausted …… 当年为省10行代码选Python,如今赔上通宵+绩效+头发! 🌰 魔性比喻时间: AI模型路由 = 智能咖啡机调度员 * 用户点“拿铁”→ 调 espresso 模型 + milk 模型 * 用户点“美式”→ 只调 espresso 模型 调度员手抖(代码烂)?咖啡洒一地(服务崩)! 今天我把双语言万字实战代码+压测数据+血泪避坑清单焊死在这篇! 👉 收藏!转发!下次架构评审直接甩链接打脸“我觉得Python快” 🌐 一、先说人话:啥是AI模型路由?(新手闭眼懂) flowchart LR A[用户请求] --> B{路由决策中心}

By Ne0inhk
rsl_rl——人形运控部署框架汇总:从经典RL框架rsl_rl到宇树开源的unitree_rl_gym(含unitree_sdk2_python)

rsl_rl——人形运控部署框架汇总:从经典RL框架rsl_rl到宇树开源的unitree_rl_gym(含unitree_sdk2_python)

前言 现在人形运控基本都避不开RL了,而对于人形运控本身的部署则是一个完整的工程,而作为经典RL框架rsl_rl,则在本博客里的多篇文章反复被提及,比如 1. 比如Humanplus一文中提到 对于humanplus的整个代码框架,总计包含以下五个部分 Humanoid Shadowing Transformer (HST),此所谓low-level,属于机器人小脑 这个部分的代码是基于仿真的强化学习实现,使用了legged_gym和rsl_rl .. ———— 顺带,该文『详见此文《斯坦福人形HumanPlus的代码解读与复现关键:从HST(含rsl_rl)到HIT、HardWare》』,曾分析过rsl_rl中对PPO的实现 既然本文专门解读rsl_rl,故可以把那部分中对rsl_rl的介绍 也综合到本文之中了 2. 比如NaVILA一文中提到 第二部分 NaVILA/legged-loco中isaaclab_exts/模块的解析:侧重H1人形机器人配置 整体代码库主要分为以下几个部分: isaa

By Ne0inhk
西工大noj(C/C++)100题参考题解及注意事项(2024)

西工大noj(C/C++)100题参考题解及注意事项(2024)

西工大noj100题 说在前面:所有程序设计题目的题解都是在自己思考过以后看才能有所收获,题解只是一个参考,看懂思路后最好自己从0开始敲一遍!!! 如果对某一题有更好的思路 欢迎评论区交流或者私信我 持续更新~ 更新时间:2024.12.29 (目录自动生成在文章右边哦~) 本文优势: 1.以《算法笔记》(胡凡 曾磊)为蓝本,内容充实有依据 2.通俗易懂,初学者也可无障碍阅读 3.精心挑选全站最优博文,为读者提供拓展阅读链接 4.一题多解,拓宽读者题解思路 5.解题过程中带领读者回顾基础知识点 6.对素数等热门题总结出模板,方便读者积累 7.题目完整清晰,题解注释清楚 8.对于较难的题目,给出清晰的解题思路和调试过程 9.题目后用括号标注注意事项或主要解题算法和步骤 10.提供应试技巧和常见错误,助力考生金榜题名 …… 考前提醒 1.重视模板:文件这类题是有固定的模板的,

By Ne0inhk
【启发式算法】RRT算法详细介绍(Python)

【启发式算法】RRT算法详细介绍(Python)

📢本篇文章是博主人工智能(AI)领域学习时,用于个人学习、研究或者欣赏使用,并基于博主对相关等领域的一些理解而记录的学习摘录和笔记,若有不当和侵权之处,指出后将会立即改正,还望谅解。文章分类在👉启发式算法专栏:        【启发式算法】(8)---《RRT算法详细介绍(Python)》 【启发式算法】RRT算法详细介绍(Python) 目录  一、RRT算法的核心思想  二、基本流程  三、RRT算法伪代码 [Python] RRT算法实现 [Results] 运行结果 [Notice]  注意事项 四、RRT的特点 五、改进版本:RRT* 六、应用场景         RRT(Rapidly-exploring Random Tree)快速扩展随机树是一种采样式路径规划算法,广泛应用于机器人运动规划、自动驾驶、无人机路径设计等领域。它特别适用于高维空间中的路径规划问题。下面是对RRT算法的详细介绍:  一、

By Ne0inhk