机器人动力学仿真软件:PyBullet_(10).案例分析:双足机器人行走仿真

机器人仿真
专栏收录该内容
¥159.90
¥299.90
484 篇文章

案例分析:双足机器人行走仿真

在本节中,我们将详细探讨如何使用PyBullet进行双足机器人的行走仿真。双足机器人行走仿真是一个复杂的动力学问题,涉及多个关节的协调运动和环境交互。通过本节的学习,您将了解如何创建和控制双足机器人模型,设置仿真环境,以及实现基本的行走算法。

创建双足机器人模型

首先,我们需要创建一个双足机器人模型。PyBullet支持多种模型格式,包括URDF(Unified Robot Description Format)和MJCF(MuJoCo XML Format)。URDF是一种广泛使用的机器人模型描述格式,我们将使用URDF来创建双足机器人模型。

1.1 URDF文件结构

URDF文件是一个XML文件,用于描述机器人的结构和动力学参数。一个典型的URDF文件包含以下部分:

  • :根元素,包含机器人的名称。

  • :描述机器人的刚体部分,包括几何形状、视觉属性和惯性参数。

  • :描述连接两个链接的关节,包括关节类型、轴向、位置和限制。

  • :描述关节的传动机制。

  • :描述材料属性,如颜色和纹理。

1.2 创建URDF文件

VIP Ubuntu安装PyBullet | PyBullet 导入Ur5 | PyBullet简单使用 | 关于机械臂强化学习仿真引擎的选择 | PyBullet入门操作 再看一下文件位置,因为我装了anaconda,所以这个PyBullet也就到了anaconda的库文件下了看一下各个文件的作用pybullet_data:存放各种机器人的URDF文件和模型。pybullet_envs:存放各种机器人环境(类似gym)和示例效果。pybullet_examples:介绍pybullet的各种基本功能,如运动学、动力学、PD控制、碰撞检测等。pybullet_robots:演示几种典型的机器人,如 laikago、panda、xarm。 开通可读全文·7.1k 阅读·16 点赞·114 收藏 阅读全文

相关推荐

主流机器人仿真工具对比:从Gazebo到PyBullet的实战指南

本文深入对比了Gazebo、CoppeliaSim和PyBullet三大主流机器人仿真工具的核心特点与应用场景。Gazebo深度集成ROS,适合复杂系统与高保真传感器仿真;CoppeliaSim交互友好,内置强大工具链,适合快速原型验证;PyBullet轻量高效,是强化学习研究的首选。文章通过实战案例,指导开发者根据项目需求选择最合适的仿真环境。

3c4x5z6v7b的博客 865

机器人动力学仿真软件:PyBullet_(13).PyBullet与其他仿真软件的对比

选择合适的仿真软件需要根据具体的项目需求来决定。轻量级仿真和快速开发:选择PyBullet,其Python API和高性能物理引擎使得用户可以快速进行仿真。复杂环境和多机器人协同仿真:选择Gazebo,其丰富的插件和ROS集成使得用户可以轻松搭建复杂的仿真环境。机械手仿真和机器人视觉任务:选择V-REP,其丰富的内置功能和图形用户界面使得用户可以轻松进行机械手仿真。控制系统仿真和信号处理任务:选择MATLAB Simulink,其强大的图形界面和丰富的库模块使得用户可以轻松进行控制系统仿真。

kkchenjj的博客 992

机器人动力学仿真软件:PyBullet_(3).PyBulletAPI详解

PyBullet API 允许您自定义仿真环境,包括创建自定义物体、设置环境属性等。# 创建自定义物体# 加载自定义插件print("插件加载失败")else:print("插件加载成功")通过本节的详细探讨,您应该对 PyBullet 的 API 有了更深入的理解。PyBullet 提供了丰富的功能,从基本的环境设置和模型加载,到复杂的机器人控制、传感器数据获取、物理属性模拟,再到高级的运动规划和用户交互。这些功能使得 PyBullet 成为一个非常强大的机器人动力学仿真工具。

kkchenjj的博客 1202

机器人动力学仿真软件:PyBullet_(2).安装配置PyBullet环境

如果您有自己的机器人模型,可以使用PyBullet加载并进行仿真。import os# 连接到物理引擎# 加载地面平面# 自定义模型路径# 加载机器人模型# 设置重力# 获取机器人关节信息。

kkchenjj的博客 1591

机器人动力学仿真软件:PyBullet_(4).机器人模型的建立与导入

在使用PyBullet进行机器人动力学仿真时,建立和导入机器人模型是至关重要的第一步。PyBullet支持多种格式的机器人模型文件,包括URDF、SDF和MJCF。通过这些格式,你可以轻松加载和创建机器人模型,并进行仿真。此外,PyBullet还提供了丰富的调试工具,帮助你在仿真过程中检查和优化模型的结构和控制。

kkchenjj的博客 1164

机器人动力学仿真软件:PyBullet_(7).动力学原理与应用

通过以上内容,我们详细介绍了动力学的基本原理及其在PyBullet中的应用。从简单的关节运动学和正向运动学,到刚体动力学和多体动力学,再到控制原理中的PID控制和逆向运动学,最后到复杂环境中的动力学模拟,这些概念和方法可以帮助我们在机器人仿真中实现更准确和真实的行为。PyBullet作为一个强大的物理仿真引擎,提供了丰富的API和功能,使得这些动力学原理的应用变得更加简单和直观。通过不断的实践和调试,我们可以进一步提高仿真的准确性和效率,为机器人的设计和优化提供有力的支持。

kkchenjj的博客 942

机器人动力学仿真软件:PyBullet_(8).控制算法实现

在 PyBullet 中实现控制算法,可以通过调用 PyBullet 提供的 API 和结合其他数学工具(如优化库)来完成。PID 控制器、模型预测控制(MPC)和自适应控制是常见的控制算法,各有其应用场景和优势。通过上述示例,开发者可以了解如何在 PyBullet 中实现这些控制算法,并应用于具体的机器人模型。

kkchenjj的博客 942

机器人动力学仿真软件:PyBullet_(5).物理仿真设置与优化

在使用PyBullet进行机器人动力学仿真时,正确的物理仿真设置是确保仿真结果准确性和稳定性的关键。本节将详细介绍如何设置和优化物理仿真参数,以提高仿真的效率和准确性。

kkchenjj的博客 832

机器人动力学仿真软件:PyBullet_(9).传感器模拟与数据处理

在机器人动力学仿真软件中,传感器模拟是一个重要的模块,它可以帮助我们获取机器人的状态信息、环境信息等,从而进行更精确的控制和决策。PyBullet 提供了丰富的传感器模拟功能,可以模拟各种传感器,如位置传感器、速度传感器、力传感器、视觉传感器等。本节将详细介绍如何在 PyBullet 中模拟传感器,并处理传感器数据。位置传感器用于获取机器人关节或链接在世界坐标系中的位置。在 PyBullet 中,可以通过 和 函数来获取这些信息。 获取链接位置 速度传感器 速度传感器用于获取机器人关节或链接的速度信息

kkchenjj的博客 830

机器人动力学仿真软件:PyBullet_(1).PyBullet入门与基础概念

通过本节的学习,您已经了解了如何安装PyBullet,创建基本的仿真环境,控制和获取仿真对象的状态,以及如何进行碰撞检测和数据采集。这些基本概念和技能将为后续的高级应用打下坚实的基础。希望您能通过这些示例代码进一步探索PyBullet的强大功能。如果您有任何问题或需要进一步的帮助,请参考PyBullet的官方文档或社区论坛。

kkchenjj的博客 740

机器人动力学仿真软件:PyBullet_(11).案例分析:机械臂抓取操作

通过本节的学习,我们掌握了使用PyBullet进行机械臂抓取操作仿真的基本方法。我们从机械臂的建模、环境的设置、抓取动作的规划与执行等方面进行了详细探讨。此外,我们还介绍了如何通过逆运动学和PID控制器来优化抓取动作,以及如何实现多物体抓取任务。

kkchenjj的博客 1392

机器人动力学仿真软件:PyBullet_(6).碰撞检测与响应

通过上述代码示例,我们详细介绍了如何使用 PyBullet 进行不同类型的碰撞检测和响应。这些方法不仅适用于简单的机器人仿真,还可以扩展到更复杂的路径规划、避障和自适应控制场景中。单步碰撞检测:适用于每个仿真步骤中检测物体之间的碰撞。连续碰撞检测:适用于高速运动的物体,避免由于仿真步长过大使碰撞检测失效。最近点检测:用于检测两个物体之间的最近点距离,避免碰撞和路径规划。光线检测:通过发射光线来检测物体之间的碰撞,适用于机器人视觉和避障。碰撞响应:根据碰撞信息调整物体的运动状态、触发事件、更新传感器数据等。

kkchenjj的博客 1238

机器人动力学仿真软件:PyBullet_(12).高级课题:强化学习在PyBullet中的应用

在这一节中,我们详细探讨了如何在PyBullet中应用强化学习技术来控制和优化机器人模型。我们首先介绍了强化学习的基本概念和数学模型,然后创建了一个强化学习环境,并实现了Q-learning、DDPG和PPO三种算法。最后,我们通过一个完整的训练和测试流程,展示了如何将环境和算法结合在一起。

kkchenjj的博客 1074

LeggedRobotsForBullet:PyBullet中的双足和四足步行机器人

腿机器人 该存储库是使用pybullet的步行机器人模拟器。 要求 PyBullet python控制 科学 这些软件包可以通过pip安装。 pip install pybullet pip install control pip install scipy 双足示例 预览控制 example_preview_control.py 四足的例子 逆运动学 example_stand_up.py

基于ADAMS的双足机器人拟人行走动态仿真.pdf

入门教材,适合广泛应用,对于初学者可以进行体系建立,了解当前时代更新知识。紧跟时代变化知识体系。快来看一看。

用pybullet模拟双足机器人运动

本项目将探讨如何使用PyBullet模拟双足机器人行走。PyBullet是基于Bullet物理引擎的Python库,提供丰富的API用于创建刚体、关节和约束,支持多种几何形状,适用于机器人学、游戏开发和AI研究。通过PyBullet,可以创建虚拟环境,设置物理规则并实现复杂运动任务。在创建双足机器人模型时,需定义各部件并设置物理属性。控制策略涉及动态平衡和步态规划,可通过关键帧控制或模型预测控制实现。模拟中需考虑地面接触力计算,PyBullet提供碰撞检测和接触力反馈。实际编程中可能遇到关节角度计算和实时性问题,可使用PID控制器或利用多线程优化性能。项目中可能包含示例代码,可用来理解PyBullet应用,并通过调整参数观察行走效果。模拟双足机器人行走涉及物理仿真、控制理论和编程实践,有助于掌握相关技术和策略。资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!

FPGA控制DDR读写(AXI4总线接口)

FPGA控制DDR读写

qq_42712308的博客 1万+

(OpenCV)图像目标尺寸检测

  本文翻译自pyimagesearch技术博客上的一篇文章,《Measuring size of objects in an image with OpenCV》,原文作者:Adrian Rosebrock 。 https://www.pyimagesearch.com/2016/03/28/measuring-size-of-objects-in-an-image-with-opencv...

明柳梦少的博客 7万+

AD9361 官方例程

文章目录一、官方资料1.1 介绍1.2 下载 和 使用1.3 相关资料二、步骤2.1 在Vivado中构建HDL2.2 在SDK中构建No- OS总结 一、官方资料 1.1 介绍 HDL参考设计介绍:AD9361 HDL Reference Designs 无操作系统介绍:AD9361 No-OS Software 1.2 下载 和 使用 HDL下载:Download HDL 在Vivado中构建HDL:Building HDL No-OS下载:Download No-OS 1.3 相关资料 AD

weixin_44630490的博客 3万+

傅里叶光学(1)

傅里叶光学,可以看作是通信理论中傅里叶变换等一系列数学思想以及系统理论与光学(主要是衍射光学)相结合的产物关于傅里叶光学的应用领域,本节介绍了成像,当然事实上不可能仅限于成像,经典的还如激光散斑的一些应用,干涉计量,还有傅里叶变换光谱学等等。最后总结一下,傅里叶光学我认为可以看做一个工具,对于任意的系统,它能给出一些数学思想与物理原理进行解释和分析,找出系统的扰动和响应的关系,或者说根据扰动和响应,来研究或者设计一个系统。

m0_53607446的博客 1700

CircuitBreaker Resilience4J 介绍

在分布式环境中,我们的应用可能会面临着各种各样的可恢复的异常(比如超时,网络环境异常),此时我们可以利用不断重试的方式来从异常中恢复(Retry Pattern),使整个集群正常运行。然而,也有一些异常比较顽固,突然发生,无法预测,而且很难恢复,并且还会导致级联失败(举个例子,假设一个服务集群的负载非常高,如果这时候集群的一部分挂掉了,还占了很大一部分资源,整个集群都有可能遭殃)。如果我们这时还是不断进行重试的话,结果大多都是失败的。

zzhongcy的专栏 3545

经典脉冲激光测距原理&雷达方程

脉冲激光测距机的工作过程如下:首先用瞄准光学系统瞄准目标,然后接通激光电源,储能电容器充电,产生触发闪光灯的触发脉冲,闪光灯点亮,激光器受激辐射,从输出反射镜发射出一个前沿陡峭、峰值功率高的激光脉冲,通过发射光学系统压缩光束发射角后射向目标。通过计算激光发射功率经介质传输的衰减,目标表面截获和反射的光功率,到达接收视场的光功率,以及接收光学系统接收到的光功率,就可以得到到达光电探测器的光功率,即接收功率。⑤光東路程上的折射率变化;),测量光脉冲到达目标并由目标返回到接收机的时间,由此计算出目标的距离。

weixin_46153372的博客 2542

解析AI人工智能领域AI芯片的散热技术

当你用ChatGPT写代码、用AI生成高清图片时,背后的AI芯片可能正在“发高烧”——全球TOP500超算的平均功耗已突破10兆瓦,单颗GPU的峰值功耗超过700W(相当于3台家用空调同时运行)。本文将聚焦AI芯片的散热技术,覆盖从基础原理到前沿方案的全链条解析,帮助读者理解“散热为什么比算力更重要”。

AIGC应用创新大全的博客 939

FPGA DDR3实战(四):DDR地址映射自动化测试(1)—— 测试程序设计与代码逻辑

本文介绍了一种DDR地址映射自动化测试方案,旨在提高板卡调试效率。方案通过AXI4协议实现主从端通信,构建了包含地址控制器和测试数据生成器的模块化架构。测试程序支持突发传输、状态监控和错误检测,可灵活配置测试参数。采用状态机控制流程,先写入递增数据再读取比对,完成功能验证和性能评估。该方案可系统化验证DDR的正确性、稳定性和可靠性,相比传统手动测试显著提升效率。

FPGA_小田老师的博客 1988

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: 机器人动力学仿真软件:PyBullet_(9).传感器模拟与数据处理
下一篇: 机器人动力学仿真软件:PyBullet_(11).案例分析:机械臂抓取操作
kkchenjj
博客等级 码龄8年 3万+粉丝 1万+原创
评论
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

打赏作者

kkchenjj

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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