运动学分析是并联机器人机构分析中的首要问题，是进行机构动力学分析、精度分析的基础。而全柔性微动机器人机构的首要目标就是精确实现所需的运动。因此对其运动学的研究在机构学领域占有重要的地位。本文对平面并联微动机器人进行了建立伪刚性模型，采用闭环矢量原理建立理论运动学线性模型，得到理论Jacobian矩阵，其次对该机构进行实验分析，得到工作平台的实验输出位移和方位角（Jacobian矩阵）；然后用ANSYS软件对其进行有限元分析，得到有限元运动学模型（Jacobian矩阵值），最后通过分析比较该机构的理论运动学

研究了一种改进蚁群算法在无人驾驶飞行器三维航迹规划中的应用。针对基本蚁群算法容易过早陷入局部最优以及过早陷入迭代停滞的缺陷,新提出了一种信息素挥发系数的随机自适应调节方法;借助最小威胁曲面这个概念,将最小威胁曲面向水平面投影,使三维航迹规划转换为二维航迹规划;并借助动态窗口这个概念,在三维离线航迹的基础上进行航迹局部重规划;最后给出仿真验证。仿真结果表明:改进蚁群算法在解的优越性和算法的快速性上都全面优于基本蚁群算法,并且改进的蚁群算法在三维航迹重规划上有很强的适应性。

1  引言 　　自从2002年美国联邦通信委员会（Federal Communication Committee, FCC）开放超宽带标准以来，超宽带技术引起了人们越来越多的关注。超宽带传输具有高传输率，低辐射、低散射损耗等特点。用于脉冲辐射和接收的超宽带天线是超宽带系统的一项关键技术。所以对超宽带小型化天线的研究一直是一个热点。 　　过去几年的研究表明，TEM 喇叭 、贴片天线和开槽天线等可以作为超宽带天线使用，其中贴片天线有轮廓低、重量轻、容易集成和制造成本低等优点，在移动通信的应用中有潜在的优势。但是贴片天线的带宽比较窄，一些研究者已经尝试做了增进带宽的工作，电阻加载和改变天线的形状

3D寻路算法可视化器 用于一些3D常见寻路算法的可视化工具。 现场演示 可以在找到一个实时交互式演示。 特征 加权和非加权算法 Dijkstra的算法（加权） 寻路算法之父，它创建了从起始顶点（源）到图中所有其他点的最短路径树。 保证最短的路径！ A *搜索算法（加权） 启发式路径查找和图形遍历中使用的最好且最受欢迎的技术之一。 保证最短的路径！ 广度优先搜索（不加重） 该算法从树的根部开始，并在移至下一个深度级别的节点之前探索当前深度的所有邻居节点。 保证最短的路径！ 深度优先搜索（未展开） 该算法从根节点开始，并在回溯之前尽可能沿着每个分支进行探索。 不保证最短的路径！ 迷宫一代 产生迷宫的两种方法： 递归司 随机迷宫 使用的图书馆 Three.js React三根纤维 Tween.js 贡献 欢迎捐款。 请随时进行PR。 项目设置 该项目是通过Create React

matlab计算曲率的代码曲线我的gcode 用于围绕具有给定半径的轴弯曲平面 G 代码的 Matlab 脚本。 作者：让-弗朗索瓦·肖维特 灵感和改编自： G. Zhao、G. Ma、J. Feng 和 W. Xiao，“机器人增材制造的非平面切片和路径生成方法”，《国际先进制造技术杂志》，卷。 96，没有。 9–12，第 3149–3159 页，2018 年 6 月，doi：10.1007/s00170-018-1772-9。 基本用法 有两种方法可以使用此代码： 案例#1：您在CAD软件中建模了一个弯曲的零件，您想根据它的底半径打印它（底半径是零件的最大半径，通常位于零件的底部，它会放在上面印刷床的半径，即第一层半径）。 你刚刚关闭了你最喜欢的 CAD 软件，基本上还没有切片任何 G 代码。 对于这种情况，请转到步骤 1 关于源 3D 模型的说明： STL 原点必须在零件下方。 零件的曲率必须围绕 X 和/或 Y 轴。 案例#2：您想要弯曲一个已经平坦的 G 代码，这可能来自对平坦部分的切片。 对于这种情况，请转到步骤 2 第 1 步：获取平面 G 代码 在运行 Matlab 代

油水两相三维渗流IMPES方法软件设计说明书(概述) 内含：1、数学模型 2、差分方程组的建立 3、模型数据流 4、软件总体框架与主要模块 5、流程图

Omega陆上三维地震处理，主要应用于地震勘探行业，地球物理

无线充电线圈的有限元仿真是系统设计的重要环节。该文件在Comsol6.0中构建了圆形螺旋线圈的三维实体模型，分别使用稳态求解器和频域求解器计算了线圈的自感互感。模型主要设计无线充电平面圆形螺旋线圈几何模型的构建、材料的定义、磁场-线圈 边界条件的设计、网格剖分、求解计算等部分，给出了线圈的磁场分布图。

ACMP [新闻] 代码发布了！！！ [新闻] 代码已发布！！！ 关于 此存储库包含论文《代码。 如果您发现此项目对您的研究有用，请引用： @article{Xu2020ACMP, title={Planar Prior Assisted PatchMatch Multi-View Stereo}, author={Xu, Qingshan and Tao, Wenbing}, journal={AAAI Conference on Artificial Intelligence (AAAI)}, year={2020} } @article{Xu2019ACMM, title={Multi-Scale Geometric Consistency Guided Multi-View Stereo}, author={Xu, Qingshan and

非常实用的numeca教学案例，numeca越来越受欢迎了，相信这篇教程肯定会受到大家的喜欢，尤其对于初学者，希望给大家带来方便