菠萝狗--一个低成本大型全套四足机器人软硬件开源项目 1 简介 本项目为菠萝狗(Py-Apple Dog) 的开源主站，项目旨在设计制造一只低成本的，可供简易DIY的开源四足机器狗。项目注重多平台化，是一个大型全套四足机器人开源项目。主要由四个分项目构成（点击可进入到对应的Github中）： 四个项目相辅相成，又相互配套。每个部分独立更新，集合起来就是一个大型且全套的四足机器人软硬件开源项目。喜欢项目的话，请B站一键三连并 Star 项目哦。 编号 目前已实现的功能 1 八自由度运动学逆解 2 踏步 3 高度调节 4 姿态控制 5 小跑步态 6 WIFI遥控 7 航模遥控器（基于PWM）遥控 8 WIFI参数调节 9 转弯 10 静态姿态自稳定 11 串联腿控制 12 并连腿控制 13 动态运动参数调整 14 无极调速 15 VMC步态算法 16 WALK 爬楼梯算法 17 巡线程序（见

非常不错的fanuc机器人注释导入软件,可导入DI/DO/R寄存器注释等,fanuc示教器上的键盘手动输入注释非常麻烦,有了这个软件方便很多

移动机器人自主导航是机器人领域的热点研究内容。本书首先介绍了基于机器视觉感知机制的自主移动机器人导航的理论与研究，重点介绍了基于地图、地图构建以及无地图环境下的基于视觉传感器的机器人导航算法，并给出了实际应用中基于视觉的机器人先进导航算法的实现。本书详细阐述了实际应用中基于视觉的自主导航算法以及SLAM问题，提出了利用视觉感知如何实现子目标驱动的导航概念，提出了利用模糊逻辑进行基于视觉的机器人路径跟踪概念，以及如何利用基于微型控制器的传感器系统研制实验室环境下的低成本机器人。

杰森 Jetson 是一个自动驾驶玩具车项目。 它包含在 PyTorch 中构建的端到端 CNN 视觉系统。 检查相应的文章： 能力 路径跟随 停止中 十字路口左转 十字路口右转 硬件 任何具有可控油门（经度）和转向（横向）的遥控汽车底盘都应该兼容。 有很多选项可以开始。 我建议查看、或本项目中使用的。 传感器 具有 200° FOV 的前置广角摄像头 脑 NVIDIA Jetson Nano 软件 先决条件 喷气卡 喷气机 喷气式飞机 火炬2trt *使用 waveshare 的工具包时，您可能需要使用上述存储库的 waveshare 分支，请参阅链接 1. 数据收集 笔记本此阶段的主要目标是收集反映正确驾驶的数据，即具有正确注释的转向和油门值的图像。 在使用游戏手柄驾驶时，您可以记录相机帧以及相应的转向和油门值。 示例数据可能如下所示： [0.1, 0.5]

本资源为Robot Framework3.0中文手册，介绍的非常详细，有需要的朋友可以下载一下。

机器人 这将在带有Adafruit Motor Hat的树莓派PI上运行一个带有网络服务器的简单机器人。 我为自己写了这篇文章是为了好玩，并帮助我记住如何进行设置。 可以在本文中找到高级概述： : 硬件 树莓派3 16GB（或更大）SIM卡 Adafruit汽车帽（用于车轮） 任何带有直流电动机的机箱-例如： : chassis Adafruit伺服帽子（用于武器） HC-SR04声纳 任何步进电机手臂-例如：SainSmart DIY控制码垛手臂的机器人手臂（ ） 与Raspberry PI兼容的相机-例如： : 首先，您应该能够使机器人在没有手臂，声纳和伺服帽的情况

matlab的egde源代码用MATLAB和Simulink进行机器人机械手的轨迹规划。 版权所有2019 The MathWorks，Inc. 描述 此提交内容包括教育性的MATLAB和Simulink示例，这些示例用于轨迹生成和评估机械手。 所有示例均采用7自由度Kinova Gen3超轻型机器人操纵器： Kinova Gen3有一个预先保存的MATLAB刚体树模型； 但是，您可以从Kinova Kortex GitHub存储库访问3D模型描述： 有关用于机械手的Robotics System Toolbox功能的更多信息，请参见文档： 有关轨迹规划的更多背景信息，请参考以下演示文稿： 如有任何疑问，请发送电子邮件至。 档案文件 首先，运行startupExample.m脚本。 这将配置MATLAB搜索路径，以便所有示例都能正确运行。 matlab文件夹 包含用于轨迹规划的MATLAB示例。 manipTrajCartesian.m任务空间（仅翻译）轨迹 manipTrajJoint.m关节空间轨迹。 包含includeOrientation变量，用于打开或关闭航路点方向。 man

Matlab机器人工具。

一个深入的分步教程，用于使用来自robot_localization 的扩展卡尔曼滤波器节点实现传感器融合！这里解释了协方差和卡尔曼滤波器等基本概念！ 本教程特别有用，因为还没有一个完整的端到端实现教程，用于使用 robots_localization 包进行传感器融合。 您可以在示例实现文件夹中找到实现！ 为什么要融合传感器数据 很多时候，机器人应用程序中的单个导航堆栈组件可能会经常失败，但它们一起形成了一个更强大的整体。 一种方法是使用robots_localization包中的扩展卡尔曼滤波器。该软件包具有一个相对简单的 ROS 界面，可帮助您融合和配置传感器，这就是我们将要使用的！ 更多详情、使用方法，请下载后阅读README.md文件

拥有超过100种颜色预设LUTS，非常适合 ArchViz、概念和环境项目（外部-内部）；.cube格式