机器人

如何使用增量传感器计算或更新差动驱动机器人的位置？ 在两个差速器轮的每一个上都有一个增量传感器。这两个传感器确定距离 RESP。Δ ř 我克ħ 吨其轮一个已知的时间期间已经推出Δ 吨。Δ 升È ˚FŤΔ升ËFŤ\Delta leftΔ ř 我克^ h ŤΔ[R一世GHŤ\Delta rightΔ ŤΔŤ\Delta t 首先，假设两个轮子之间的中心标记了机器人的位置。在这种情况下，可以将位置计算为： x = x升Ë ˚FŤ+ xř 我克^ h Ť2ÿ= y升Ë ˚FŤ+ yř 我克^ h Ť2X=X升ËFŤ+X[R一世GHŤ2ÿ=ÿ升ËFŤ+ÿ[R一世GHŤ2 x = \frac{x_{left}+x_{right}}{2} \\ y = \frac{y_{left}+y_{right}}{2} 在两个车轮都沿直线滚动的假设下“推导”这些方程式（对于小距离应该近似正确），我得到： Δ XΔ Ť= 12（Δ 升Ë ˚FŤΔ Ť+ Δ ř 我克^ …

14 mobile-robot  kinematics  motion  two-wheeled  forward-kinematics 

我听到过很多说法，用手手动转动NXT电机可能会损坏它。我想知道这是否至少在一定程度上是正确的，是否有任何证据证实或驳斥这一想法。 我知道有些项目（例如，素描）使用内置的旋转传感器来测量电动机的转动量，因此我在想，电动机是否处于闲置状态或断路是一个重要的区别，或者也许甚至需要特殊的“旋转传感器”模式，以防止损坏。

14 motor  nxt  mindstorms 

我正在考虑尝试使用PIV控制而不是PID控制。与PID相反，PIV控制在互联网和文献中几乎没有解释。几乎只有一个信息源解释了该方法，这是Parker Motion的技术论文。 我从控制方法图（在Laplace域中）了解到，控制输出归结为以下各项的总和： Kpp *（位置误差的积分） -Kiv *（测得速度的积分） -Kpv *（测得的速度） 我对么？谢谢。

14 control  otherservos  pid 

按照目前的情况，这个问题不适合我们的问答形式。我们希望答案会得到事实，参考或专业知识的支持，但是这个问题可能会引起辩论，争论，民意调查或扩展讨论。如果您认为此问题可以解决并且可以重新提出，请访问帮助中心以获取指导。 7年前关闭。 我是机器人技术的新手，但是我是一位熟悉几种不同语言的程序员。我没有很多钱可花，我想知道什么是真正好的入门工具包。 我的标准是套件的价格便宜且功能强大，因为它的功能是可扩展的-这将使建造者具有创造力，并可能发明新的使用方式，而不仅仅是光荣的模型套件。 可扩展到智能手机是一个加号。 我并不是在寻找简单或入门的东西，而是在寻找功能强大，灵活且具有成本效益的东西。

14 uav  kit 

在使用迭代最近点（ICP）算法来识别两个匹配点云之间的关联的SLAM前端中，如何确定算法是否陷入局部最小值并返回错误结果？ 该问题定义为匹配两个点云，这两个点云都是某个任意表面结构的样本，并且样本区域的重叠率为0-100％，这是未知的。我知道Trimmed ICP变体通过反复尝试确定重叠来起作用，但即使是这样，也可以停留在局部最小值中。 天真的方法是查看所标识的点对的均方误差。但是，如果没有抽样的估计，这似乎是一个危险的阈值。在Leica Cyclone手册中，他们建议手动检查线对误差直方图。如果具有高斯形状，则拟合度良好。如果出现线性下降，则匹配可能不好。这对我来说似乎是合理的，但是我从未见过它在算法中使用过。

14 slam 

想象一下为一个三轮足球机器人编程。您将使用哪种类型的控制器来旋转它？P？PID？ 该控制器的目标是使机器人以规定的角度（0度）站立，并在用手或其他机器人旋转时使其转回原位。 我为机器人使用步进电机，而不是伺服器，因此需要在软件中实现！ 我已经写了一个样本P型控制器，并且运行相当好。但我想尽可能改善它。代码如下： void spinSpeed(int devidedValue, int addedValue, int correction) { if(degree<correction && degree>-correction) { motorSpeed = 0; } else { if(degree > 0) { motorSpeed = ((degree)/(devidedValue) + (addedValue)); } else { motorSpeed = ((degree)/(devidedValue) - (addedValue)); } } } correction是一个范围，其中机器人没有运动。 degree是从指南针返回的-127到128之间的数字。 motorSpeed是应用于PWM的0到255之间的数字。

14 soccer  control 

阅读一些有关视觉测距的论文，很多都使用反深度。它仅是深度的数学倒数（表示1 / d）还是代表其他东西。使用它的好处是什么？

14 slam  computer-vision  odometry 

我正处于使用Arduino Uno控制8个距离传感器的项目的规划阶段，并且遇到了一个小障碍，Uno只有六个输入引脚。所以我想知道，有什么办法可以解决这个问题吗？如果是这样，怎么办？

14 arduino  microcontroller  input 

在EKF定位的预测步骤中，必须进行线性化处理（如Probabilistic Robotics [THRUN，BURGARD，FOX]第206页中所述），使用速度运动模型时的雅可比矩阵定义为 ⎡⎣⎢xyθ⎤⎦⎥′=⎡⎣⎢xyθ⎤⎦⎥+⎡⎣⎢⎢⎢v^tω^t(−sinθ+sin(θ+ω^tΔt))v^tω^t(cosθ−cos(θ+ω^tΔt))ω^tΔt⎤⎦⎥⎥⎥[xyθ]′=[xyθ]+[v^tω^t(−sinθ+sin(θ+ω^tΔt))v^tω^t(cosθ−cos(θ+ω^tΔt))ω^tΔt]\begin{bmatrix} x \\ y \\ \theta \end{bmatrix}' = \begin{bmatrix} x \\ y \\ \theta \end{bmatrix} + \begin{bmatrix} \frac{\hat{v}_t}{\hat{\omega}_t}(-\text{sin}\theta + \text{sin}(\theta + \hat{\omega}_t{\Delta}t)) \\ \frac{\hat{v}_t}{\hat{\omega}_t}(\text{cos}\theta - \text{cos}(\theta + \hat{\omega}_t{\Delta}t)) \\ \hat{\omega}_t{\Delta}t \end{bmatrix} 计算为 GT=⎡⎣⎢⎢100010υtωt(−cosμt−1,θ+cos(μt−1,θ+ωtΔt))υtωt(−sinμt−1,θ+sin(μt−1,θ+ωtΔt))1⎤⎦⎥⎥GT=[10υtωt(−cosμt−1,θ+cos(μt−1,θ+ωtΔt))01υtωt(−sinμt−1,θ+sin(μt−1,θ+ωtΔt))001]G_{T}= \begin{bmatrix} 1 & 0 & \frac{υ_{t}}{ω_{t}}(-cos {μ_{t-1,θ}} + cos(μ_{t-1,θ}+ω_{t}Δ{t})) \\ 0 & 1 & …

14 localization  kalman-filter 

最优的基于采样的运动计划算法（本文描述）已显示出无冲突路径，随着计划时间的增加，这些路径会收敛到最优路径。但是，据我所知，最优性证明和实验都假设路径成本度量是配置空间中的欧几里德距离。可也产生了其他路径质量指标，如整个路径障碍物最大化最小间隙最优性能？RRT *RRT∗RRT∗\text{RRT}^*RRT∗RRT∗\text{RRT}^* 定义最小间隙：为简单起见，我们可以考虑一个点机器人在欧几里得空间中运动。对于无碰撞配置空间中的任何配置，定义一个函数，该函数返回机器人与最近的C障碍物之间的距离。对于路径，最小距离是所有中的最小值。在最佳运动计划中，可能希望最大化与路径上的障碍物的最小距离。这意味着定义一些成本指标，使得d （q ）σ min_clear （σ ）d （q ）q ＆Element; σ Ç （σ ）Ç Ç （σ ）= EXP （- min_clear （σ ））qqqd(q)d(q)d(q)σσ\sigmamin_clear(σ)min_clear(σ)\text{min_clear}(\sigma)d(q)d(q)d(q)q∈σq∈σq \in \sigmac(σ)c(σ)c(\sigma)ccc随着最小游隙的减小而增加。一个简单的函数是。c(σ)=exp(−min_clear(σ))c(σ)=exp⁡(−min_clear(σ))c(\sigma) = \exp(-\text{min_clear}(\sigma)) 在介绍的第一篇论文中，对路径成本度量进行了一些假设，以便证明成立；假设之一涉及成本度量的可加性，而上述最小清除率度量不成立。但是，在较新的描述该算法的期刊文章中，没有列出几个先前的假设，并且似乎最小清除成本指标也可以通过该算法进行优化。RRT∗RRT∗\text{RRT}^* 有谁知道的最优性证明是否可以适用于最小清算成本度量标准（也许不是我上面给出的那个，但是另一个具有相同的最小值），或者是否已经进行了实验来是否支持该算法对此类指标的有用性？RRT∗RRT∗\text{RRT}^*

14 motion-planning  algorithm  rrt  theory 

我是一名高中生，正在学习电子学，并且为了评估电子学的历史，我决定专注于机器人技术的历史。我想从最早的机器人概念开始，到如今机器人技术的重大发展。我应该从哪里开始研究？

14 electronics  research 

我正在为项目做一些基础工作，并且对SLAM技术的当前状态有疑问。 当配备SLAM的设备检测到对象时，该对象的位置将被存储。如果查看设备正在生成的点云，您将看到该对象的点，并且由此对象生成的模型将在此处包含几何。 如果将对象放置在先前为空的空间中，则会检测到该对象并添加点。后续模型将具有描述此新对象的几何形状。 如果移除了该物体，设备会如何反应？据我所知，SLAM系统倾向于将这些点留在原地，从而导致“重影”几何。有一些算法可以忽略由瞬态接触引起的孤点，但是保持足够长的时间来建立实体模型的对象将保留在设备的内存中。是否有任何系统能够检测以前占用的空间是否已空？

13 slam 

我对使用这种微型电动机（Squiggle Micro Motor）产生很小的水平运动感兴趣。但是，由于空间非常有限，我只能将其垂直放置在项目中。 假设此电动机的放置位置如下，如何使其适应直角同时运动？（理想情况下，X轴运动尽可能与Y轴运动匹配。）

13 motor  motion  movement  driver  linear-bearing 

让我们考虑以下情况： 您正在教机器人打乒乓球 您正在教一个程序来计算平方根 您正在学校为一个孩子教数学 在这些情况下（即监督学习），许多其他情况（在其他情况中）有一个共同点：学习者根据其表现获得奖励。 我的问题是，奖励函数应该是什么样的？是否有“最佳”答案，还是取决于情况？如果取决于情况，如何确定选择哪种奖励功能？ 例如，采用以下三个奖励功能： 函数A说： 在某一点以下，坏或坏都是一样的：您一无所获 几乎完美与完美之间有明显的区别 函数B说： 您获得的奖励与您的表现成线性比例 函数C说： 如果你的表现不好，没关系，你就尽力了：你仍然会得到一些回报 完美与几乎完美之间没有太大区别 凭直觉，我认为A这会使机器人非常专注并学习确切的模式，但是在处理类似模式时C会变得愚蠢，同时会使它更适应更改，但会失去完美性。 人们可能还会想到更复杂的功能，只是为了展示而已： 那么，如何知道选择哪个功能呢？这是已知的行为会从（至少）基本出现A，B和C功能？ 附带的问题是，这对于机器人和人类孩子来说会根本不同吗？

13 machine-learning 

是否有Web制图工具允许开发人员使用它来绘制自动驾驶车辆/机器人的GPS数据？ Google Maps禁止它。见10.2.C。Google Earth使用条款链接跳转到同一页面。Bing地图看起来很相似（请参阅3.2。（g））。 我想要的是一个基于Internet的工具，可以显示卫星图像和/或地图，可以使用其API覆盖绘图。我正在制作一个通用GPS绘图仪，ROS该绘图仪可用于慢速机器人或快速车辆/汽车。 谢谢！

13 gps  visualization