机器人 - 关于MIT电机模式控制

优质文章学习记录

— 3 min read

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 > 0、kd > 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

【GitHub Copilot】Figma MCP还原设计稿生成前端代码

【GitHub Copilot】Figma MCP还原设计稿生成前端代码

这里写自定义目录标题 * Step1：让AI给你配置MCP * Step2：替换成自己的Figma密钥 * Step3：如何使用 Cursor+Figma MCP的教程已经很多了，由于我所在的公司采购的是GitHub Copilot，我研究了一下直接在vscode里利用GitHub Copilot接入Figma MCP进行设计稿还原代码，大获成功，这里分享我的步骤，希望能帮到你。 Step1：让AI给你配置MCP 在vscode中打开你的项目（我的例子是一个微信小程序），呼出github copilot对话框，模式选择Agent，模型建议Claude 3.7 Sonnet，提问： https://github.com/GLips/Figma-Context-MCP 如何配置能让你在vscode里使用这个mcp 之后跟着提示狂点下一步即可完成配置，如果有什么需要装的vscode插件它会自动帮你装，甚至自动生成了配置说明文档。 由于不能保证AI每次生成的答案都一致，这里附上我的运行结果作为参考，可以看到它在项目文件夹最外层建了一个.vscode文件夹，在sett
OpenClaw机器人引爆天网，首次拥有记忆，逆天了！

OpenClaw机器人引爆天网，首次拥有记忆，逆天了！

手把手教你一键部署OpenClaw，连接微信、QQ、飞书、钉钉等，1分钟全搞定！ OpenClaw这款开源机器人最近彻底火了，它让机器人第一次有了“记性”。这种原本只在科幻片里出现的“天网”级技术，居然直接在GitHub上公开了源代码。 就在刚刚，全球搞开源机器人的圈子被推特上的一条动态给点燃了！ 手把手教你一键部署OpenClaw，连接微信、QQ、飞书、钉钉等，1分钟全搞定！ 视频里，一台装了OpenClaw系统的宇树人形机器人在屋里四处走动。它全身上下都是传感器——激光雷达、双目视觉外加RGB相机，这些设备捕捉到的海量数据都被喂进了一个大脑里。 紧接着，奇迹发生了：这台宇树机器人竟然开始理解空间和时间了！这种事儿在以前的机器人身上压根没出现过。 手把手教你一键部署OpenClaw，连接微信、QQ、飞书、钉钉等，1分钟全搞定！ 它不仅分得清房间、人和东西都在哪儿，甚至还记得在什么时间点发生了什么事。 开发团队给这种神技起名叫“空间智能体记忆”。简单来说，就是机器人从此以后也有了关于世界的“长期记忆”！ 而把这种科幻照进现实的，正是最近在国际上大红大紫的开源项目OpenClaw。
【教程】如何在WSL2:Ubuntu上部署llama.cpp

【教程】如何在WSL2:Ubuntu上部署llama.cpp

WSL2:Ubuntu部署llama.cpp llama.cpp 是一个完全由 C 与 C++ 编写的轻量级推理框架，支持在 CPU 或 GPU 上高效运行 Meta 的 LLaMA 等大语言模型（LLM），设计上尽可能减少外部依赖，能够轻松在多种后端与平台上运行。 安装llama.cpp 下面我们采用本地编译的方法在设备上安装llama.cpp 克隆llama.cpp仓库 在wsl中打开终端： git clone https://github.com/ggml-org/llama.cpp cd llama.cpp 编译项目 编译项目前，先安装所需依赖项： sudoapt update sudoaptinstall -y build-essential cmake git#
FLUX.2[klein]开源！小香蕉平替，本地部署AI绘画的极简方案

FLUX.2[klein]开源！小香蕉平替，本地部署AI绘画的极简方案

文章目录 * 前言 * 一、FLUX.2[klein]到底香在哪？ * 二、部署前准备：硬件+环境一键搞定 * 1. 硬件要求（最低配置） * 2. 环境安装（3行命令搞定） * 三、极简部署方案：2种方式任选（新手首选方式1） * 方式1：Python脚本一键运行（纯代码，无界面，最快上手） * 步骤1：创建运行脚本 * 步骤2：运行脚本 * 方式2：ComfyUI可视化部署（适合喜欢拖拽操作的用户） * 步骤1：安装ComfyUI * 步骤2：下载FLUX.2[klein]模型 * 步骤3：启动ComfyUI并加载工作流 * 四、常见问题&优化技巧 * 1. 显存不足怎么办？ * 2. 模型下载慢/