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

【AI开发】—— Agent Skills详解及Copilot 进阶玩法

【AI开发】—— Agent Skills详解及Copilot 进阶玩法

Copilot 进阶玩法:Agent Skills 让 AI 助手适配你的专属开发流 用过 GitHub Copilot 的开发者应该都有这样的体验:想让它适配项目专属的测试流程、调试规范,总要反复输入 prompt;团队统一的开发准则,要挨个给 Copilot 喂指令;换个工具(比如从 VS Code 切到 Copilot CLI),之前的定制化配置全失效…… 而Agent Skills就是 Copilot 为解决这些痛点推出的核心功能 —— 它把 Copilot 从 “通用代码补全工具” 升级成了可自定义、可复用、跨工具的智能代理,让我们能为 AI 打造专属的 “技能工具箱”,一次配置,多端复用。这篇文章就从基础概念到实操步骤,把 Agent Skills 的用法讲透,让你的

OpenClaw 架构深度拆解:工程优雅的本地优先 AI Agent,为何难入企业级生产环境?

OpenClaw 架构深度拆解:工程优雅的本地优先 AI Agent,为何难入企业级生产环境?

2026 年,AI Agent 赛道早已从概念炒作进入工程化落地的深水区。无数项目沉迷于堆功能、炒概念,把 Agent 做成了花里胡哨的聊天玩具,却始终解决不了最核心的问题:执行不可靠、状态不可控、结果不可复现。而近期开源的 OpenClaw,却以一套极简、清晰、职责分离的分层架构,成为了业内公认的 “最干净的 Agent 运行时” 参考设计。 它以本地优先为核心理念,在工程层面做出了极佳的示范,解决了当前绝大多数 Agent 框架普遍存在的竞态 bug、上下文溢出、执行混乱等痛点;但与此同时,它的执行模型也带来了巨大的安全攻击面,在企业级场景的安全与治理上,存在致命的短板。 本文将从核心定位、五层架构全拆解、工程设计亮点、企业级安全短板、实践启示五个维度,深度解析这个本地优先的 AI Agent 系统,帮你吃透它的设计精髓,同时规避落地过程中的安全风险。 一、OpenClaw 的核心定位:

微信4.1.5.16 UI树“消失”?UIAutomation实战复现+AI驱动RPA落地方案

微信4.1.5.16 UI树“消失”?UIAutomation实战复现+AI驱动RPA落地方案

适用人群:桌面RPA开发者、自动化测试工程师、GUI Agent搭建者 关键词:微信4.1.5.X、UIAutomation、UI树恢复、微信RPA、AI私域运营 用过PC微信4.1.x版本的开发者大概率都遇到过一个棘手问题:升级前用Inspect、FlaUI或pywinauto能轻松抓取完整UI树,控件定位、脚本执行行云流水;升级后UI树几乎“清空”,仅剩一两个根节点,之前的自动化脚本全部失效。这并非工具故障,而是微信在界面架构和无障碍暴露策略上的重大调整。本文将从原理拆解、技术实现到实战落地,带你彻底解决UI树“消失”问题,还会附上可直接运行的代码和AI+RPA的进阶方案。 一、核心问题:微信4.1.5.16为何隐藏UI树? PC微信从4.0版本开启了多端UI框架统一重构,4.1.5.16更是在UIAutomation暴露机制上做了关键优化,这也是UI树“消失”的根本原因。 1.

不想自己看文献的,试试这9个AI读文献神器!

不想自己看文献的,试试这9个AI读文献神器!

不想自己看文献?试试这 9 个超好用的 AI 读文献神器,轻松解决文献阅读难题,让你的阅读效率大幅提升! 一、Scholaread 靠岸学术(首推!) 作为专为科研人员打造的智能阅读平台,Scholaread 靠岸学术彻底解决了文献阅读的三大痛点:内容碎片化、移动端体验差、理解不透彻。其核心技术亮点包括: 🔥 三大黑科技,让文献阅读从此高效无痛! ✅ 【智能解析系统】 能够快速对各类文献进行结构化解析,自动提取文献中的关键信息,如研究目的、方法、结果、结论等,让零散的内容变得有条理,帮助读者快速把握文献的核心要点。 ✅ 【AI 深度解读】 借助强大的 AI 算法,对文献中的复杂概念、专业术语、晦涩公式等进行深入解读,用通俗易懂的语言进行解释,让读者轻松理解文献内容,即使是难度较高的文献也能快速掌握。 ✅ 【无缝跨平台同步】 支持通勤时用手机阅读,到实验室后用电脑继续精读,批注、笔记实时同步,打破设备限制,让文献阅读更加灵活便捷,文献阅读效率提升 60%