Solidworks联合gazebo搭建仿真环境

solidworks插件导出urdf 应用场景:用于连接机器人模型中不需要运动的部分,例如机器人的外壳部件或者一些固定的支撑结构。它通常用于表示可以360度旋转的关节,比如机器人的轮子或者某些可以无限旋转的机械臂关节。特点:这种关节可以在一个固定的范围内旋转,通常有一个最小角度和最大角度的限制。应用场景:广泛应用于机械臂的各个关节,例如机器人的肩关节、肘关节等,这些关节通常有明确的旋转范围限制,以保证机械臂的安全和稳定运行。应用场景:适用于需要无限制旋转的场景,例如移动机器人的轮子关节,或者某些工业机器人末端执行器的旋转关节。 阅读详情
AI摘要

本文介绍将Solidworks模型导入到gazebo的方法。先安装URDF插件,做好准备工作后导出URDF文件,在Ubuntu查看效果,转换为SDF格式,将模型放到world中,还介绍了使模型位置可变的方法,包括编写源文件、CMakeLists.txt文档,编译并使用插件。

gazebo的模型库里已经有很多模型了,但是如果要制作自己的模型,还是在Solidworks上比较方便,本文将介绍怎么将Solidworks的模型导入到gazebo中。

一、安装URDF插件

进入官网下载,正常安装,在Solidworks的工具->Tools->Export as URDF可以找到。

二、准备工作

首先在Solidworks画好装配体,给需要单独处理的配件设置坐标系(装配体->参考几何体,先确定原点,再确定xyz轴)。比如说这里我想给圆环蓝色,给挡板黄色,就需要单独设置支架、挡板和圆环的坐标系。

三、导出URDF文件

首先确定base_link,这里选择支架,设置base_link的坐标系,设置child link的个数,这里是两个(圆环和挡板),右键base_link可以Add Child Link。

设置child link、Joint的名称以及坐标系,设置节点的类型(我这里是fixed,因为不需要转动),确认无误后,点击Preview and Export,进入导出配置界面。

 

 这里主要看坐标系(有时候系统会改掉),没有问题的话点击Next,点击Export URDF and Meshes,注意文件名不要有中文,把.SLDASM也去掉。

四、进入Ubuntu查看效果

首先把生成的源码放在工作空间目录(catkin_ws/src)下面,编译工作空间,接着输入命令

roslaunch circle_test display.launch

打开rviz,修改极坐标,增加机器人模型显示插件,就可以查看模型了,此时模型的颜色都是一样的,Solidworks所设置的颜色并不会被保存下来。

    

 

 要是想修改模型颜色,可以进入urdf文件夹打开urdf文件,修改配件对应的rgba(其中a代表不透明度)蓝色可以设置成0 0 1 1,黄色可以设置成1 1 0 1。

 

Gazebo导入Solidworks自定义的三维模型(单零件) gazebo导入solidworks模型 阅读详情

相关推荐

SolidWorks机械臂URDF导入ROS2:MoveIt2与Gazebo联合仿真的避坑指南

本文详细解析了将SolidWorks机械臂模型导入ROS2进行MoveIt2与Gazebo联合仿真的完整流程与常见问题。针对模型在Gazebo中“散架”、关节乱飞等典型问题,提供了URDF惯性参数修正、模型路径双保险方案、Xacro文件编写及ROS2 Control集成等核心解决方案,帮助开发者高效搭建稳定可用的机器人仿真环境。

weixin_29091445的博客 396

SolidWorks机械臂URDF导入Gazebo就散架?手把手教你解决‘零件起飞’和路径问题

本文详细解析了SolidWorks机械臂URDF导入Gazebo时常见的‘零件起飞’问题,提供了两种解决方案:精确修正惯性参数和临时关闭重力模拟。通过实战案例和代码示例,帮助用户解决路径问题和物理参数调优,实现从MoveIt到Gazebo的完整工作流。

weixin_30819085的博客 559

ROS2单臂机械臂仿真:MoveIt+Gazebo联合搭建实战指南

机械臂仿真本质是高维运动学约束与刚体动力学的协同建模。其核心原理在于:通过URDF定义物理属性(质量、惯性、关节动力学),借助SRDF声明规划语义(运动组、碰撞禁用、末端位姿映射),再由MoveIt在C-space中求解满足约束的轨迹,最终经Gazebo物理引擎实时验证。该技术路径支撑工业级精度(亚毫米位姿控制)与实时性(<0.5s规划延迟),广泛应用于UR5e、Panda等六自由度单臂的算法验证、抓取仿真与力控调试。本文聚焦MoveIt+Gazebo强耦合配置,直击URDF参数失真、SRDF语义缺失、Ga

weixin_34209851的博客 384

别再只用Gazebo了!用ADAMS 2020和Solidworks给你的机器人做个‘物理体检’(附四旋翼模型)

本文探讨了如何利用ADAMS 2020和Solidworks构建高精度机器人动力学仿真工作流,替代传统的Gazebo仿真平台。通过详细的工作流程和实战案例,展示了ADAMS在材料属性精度、复杂接触力模拟和高频动力学响应方面的优势,帮助开发者实现更精确的机器人数字孪生系统。

weixin_30435261的博客 223

保姆级教程:在PX4仿真中,用SolidWorks模型替换默认Iris并集成D435i深度相机

本文提供了一份详细的PX4仿真教程,指导如何将SolidWorks设计的无人机模型替换默认Iris模型,并集成D435i深度相机。从环境准备、模型导出优化到相机集成和系统测试,涵盖了完整的实战流程,帮助开发者快速实现无人机仿真的深度定制。

weixin_30918633的博客 370

Gazebo机器人仿真入门:从核心原理到ROS 2 Jazzy实战部署

机器人仿真技术是机器人、自动驾驶和无人机领域研发的基石,它通过在虚拟物理世界中模拟真实环境与硬件行为,为算法验证和系统测试提供了安全、高效的平台。其核心原理基于物理引擎(如ODE、Bullet)对刚体动力学、传感器模型和环境交互进行高保真计算,通过服务器-客户端架构实现仿真运算与可视化分离。这项技术的核心价值在于支持硬件在环(HIL)和模型在环(MIL)仿真,能大幅降低实体硬件调试的成本与风险,加速从算法设计到产品部署的迭代周期。典型应用场景涵盖机器人运动控制验证、多机协同仿真、传感器数据生成以及如PX4飞

chouchijiao8952的博客 428

从SolidWorks到Rviz仿真:睿尔曼RM75机械臂URDF导出与MoveIt全流程实战

本文详细介绍了将睿尔曼RM75机械臂从SolidWorks模型导出为URDF,并配置MoveIt进行运动规划与Rviz仿真的全流程实战。重点解析了模型预处理、坐标系对齐、碰撞矩阵优化等关键步骤,并提供了Gazebo物理仿真集成与真实机器人连接的配置方法,帮助开发者高效构建机械臂的数字孪生仿真环境。

weixin_29081163的博客 120

Gazebo中mimic joint失效?四轮小车正确驱动方案全解析

URDF中的mimic joint用于描述关节间的运动学映射,在RViz中能实现联动展示,然而在Gazebo物理引擎中却不被解析执行。从mimic的公式与属性出发,揭示其作为运动学描述而非物理约束的本质,阐明RViz与Gazebo行为差异的根因,并针对四轮小车给出基于diff_drive插件的正确驱动方案,同时探讨夹爪联动场景下自定义插件与ros_control两种实现思路,帮助读者避开仿真陷阱,正确构建物理驱动模型。

weixin_34221332的博客 391

ROS从入门到精通3-3:Solidworks三维建模并导入Rviz、Gazebo图文教程

本文介绍如何通过Solidworks三维建模自主设计机器人模型,并导入ROS环境进行应用开发,脱离对于官方固定模型的依赖,实现仿真的定制化

FRIGIDWINTER的博客 4327

ROS 2 URDF液压挖掘机模型:从文件解析到Gazebo仿真与ros2_control控制

URDF是机器人操作系统中的核心建模语言,用于以XML格式定义机器人的连杆、关节、传感器等物理结构。其工作原理是将复杂的机械系统抽象为树状拓扑,通过父子连杆关系和关节约束描述运动学与动力学。这项技术为机器人仿真与算法验证提供了标准化的数字孪生基础,极大地降低了实体样机的开发成本与风险。在工程机械自动化、无人驾驶等应用场景中,基于URDF的仿真模型是进行运动规划、控制算法测试和系统集成的关键平台。本文以液压挖掘机这一典型工程机械为例,深入探讨了其URDF模型在ROS 2环境下的深度解析、Gazebo物理仿真集

weixin_33755557的博客 311

【Qt-4】QT基于qhttp-server搭建http服务器

QT搭建http服务器

WXG1011的博客 5717

AIGC大模型应用教学平台

该平台采用最新的AI推理加速芯片,提供30Tops算力和32GB存储,能够运行常见的大语言模型如ChatGLM2、Llama2、Baicuan、Mistral等,也可以运行文生图扩散模型Stable Diffusion,提供大模型微调、量化、转换和加速推理服务。在此基础上,平台还提供常见的生成式AI应用,包括AIGC知识抽取增强(RAG)、AIGC绘画、AIGC会话聊天、数字虚拟人等应用,以便学生能够掌握最新的生成式AI模型微调、提示工程和智能体应用技能。

中智讯的博客 1212

从爱好者到工程师:如何低成本体验RFSoC ZU47DR?性能实测与避坑指南

本文详细介绍了如何低成本体验赛灵思RFSoC ZU47DR芯片,包括二手开发板选购、租赁服务、精简开发环境搭建等实用方案。通过性能实测与避坑指南,帮助爱好者和工程师在有限预算下充分利用这款集成了ARM处理器和FPGA的高性能芯片,降低开发门槛。

weixin_42525005的博客 222

从内参矩阵到归一化平面:揭秘相机成像的标准化核心

本文深入解析了相机成像中的核心概念——归一化平面。通过拆解内参矩阵(包含焦距、主点等参数)的作用,详细阐述了如何将像素坐标转换为与具体相机硬件无关的归一化坐标。这一标准化过程是计算机视觉算法(如多相机系统对齐、视觉SLAM)实现跨设备通用性的关键,能有效提升算法的鲁棒性和泛化能力。

opencv7vision的博客 452

uniapp [全端兼容] - 详细实现人脸识别和活体检测功能,实时监测人脸是否进入区域及动作是否正确播报,免费自动提示引导动作及语音,提供提供实名认证、身份证识别、人脸信息采集、刷脸扫脸认证示例代码

uniapp,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,人脸识别,扫脸认证,人脸认证,活体认证,身份认证,uni-app人脸识别详细教程,如何在app端实现免费人脸识别教程,如何在小程序端做,最好用的插件,安卓ios百度人脸识别、活体检测、人脸采集APP,H5人脸识别带前后摄像头,适合新手看的人脸识别功能教程,详细示例代码源码,有没有免费的,接入百度,阿里云人脸识别,百度,api,活体检测,数据采集,动作提示指引,语音提示指引,报错,无法核验一直出错,根本用

🏆 前端领域优质创作者 1万+

stm32项目实战(1)光敏电阻的介绍和使用

文章目录前言一、光敏电阻介绍二、cubeMX配置三、代码说明总结 前言 本篇文章我们讲带大家了解光敏电阻的使用 一、光敏电阻介绍 下面是4线光敏电阻实物图 产品接线说明: 1、VCC 接电源正极 3.3-5V 2、GND 接电源负极 3、DO TTL 开关信号输出 (配置为输出模式) 4、AO 模拟信号输出(ADC采样通道) 光敏电阻主要用于检测周围的光照强度,光照强度发生变化那么ADC采样的值也会发送变化。 二、cubeMX配置 简单的配置我们就不多说了主要是ADC采样的配置 这里我采用的是ADC1通道

m0_49476241的博客 1万+

基于Simulink开发一个完整的直驱式永磁同步发电机DDPMSG仿真模型

需求分析直驱式永磁同步发电机(Direct-Drive Permanent Magnet Synchronous Generator, DDPMSG)广泛应用于风力发电、海洋能发电等可再生能源领域。与传统的齿轮箱驱动系统相比,DDPMSG具有结构简单、效率高、可靠性好等优点,能够直接将机械能转换为电能,减少了中间传动环节,降低了维护成本。本项目将基于Simulink平台,开发一个完整的DDPMSG仿真模型,模拟其在风力发电场景中的应用。我们将详细讲解如何设计和实现该系统,并结合实际应用案例进行说明。

MHD0815的博客 468

详解Xilinx FPGA高速串行收发器GTX/GTP(1)--SerDes和GTX的关系

详解Xilinx FPGA高速串行收发器GTX/GTP(1)--SerDes和GTX的关系

孤独的单刀 4358

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: Ubuntu18.04搭建detectron2环境
下一篇: 基于FPGA的双通道DDS信号发生器
基尼台妹
博客等级 码龄7年 141粉丝 21原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址