采用Inventer 三维建模，完成设备材料图纸输出，材料采购以及安装调试。
将原来的感应目标移动更改为，传感器移动，对应目标做横向间隔一米运动。
结构增加了上下移动高度可调，以及履带传输供电设计。
2022-02-21 15:02:38
12.45MB
1
采用Inventer 三维建模，完成设备材料图纸输出，材料采购以及安装调试。
将原来的感应目标移动更改为，传感器移动，对应目标做横向间隔一米运动。
结构增加了上下移动高度可调，以及履带传输供电设计。
2022-02-21 15:02:37
2.91MB
1
针对AmigoBot移动机器人存在不支持本地可编程控制、只能作为网络终端的问题,提出了一种基于OMAP3530和Android嵌入式平台的AmigoBot移动机器人上位控制系统的设计方案;给出了该系统的硬件及软件结构,详细介绍了在OMAP3530上移植Android系统的过程:首先对Android系统进行裁剪,使其内核功能模块既能满足上位控制系统的要求,又不冗余;在裁剪后的Android系统的基础上,对AmigoBot移动机器人的Aria控制软件、无线通信等应用软件进行设计。实验结果表明,该系统解决了AmigoBot本地控制问题,提高了AmigoBot的扩展能力。
2022-02-20 17:13:42
412KB
1
Introduction to Autonomous Mobile Robots，英文清晰版，经典的机器人学习书籍
2022-02-12 11:21:07
7.92MB
1
-深度强化学习已成功应用于各种电脑游戏[8]。然而，它在实际应用中仍然很少使用，尤其是在实际移动机器人的导航和连续控制中[13]。以前的方法缺乏安全性和鲁棒性，并且/或者需要一个结构化的环境。在本文中，我们提出了一种在未知环境下，无地图或规划器的真实机器人自主自学习导航的概念证明。机器人的输入仅仅是来自2D激光扫描仪和RGB-D相机的融合数据，以及目标的方向。环境地图是未知的。异步网络（GA3C）的输出动作是机器人的线性速度和角速度。
导航/控制器网络在一个高速、并行、自实现的仿真环境中进行预训练，以加快学习过程，然后部署到实际机器人上。为了避免过度拟合，我们训练相对较小的网络，并向输入激光数据中添加随机高斯噪声。传感器数据与RGB-D摄像头的融合使机器人能够在真实环境中进行导航，实现真正的3D避障，而无需使环境适应机器人的感官能力。
为了进一步提高鲁棒性，我们在各种困难的环境中进行训练，并同时运行32个训练实例
2022-01-30 09:05:32
107.93MB