【Matlab 六自由度机器人】机器人动力学之推导拉格朗日方程(附MATLAB机器人动力学拉格朗日方程推导代码)
【Matlab 六自由度机器人】机器人动力学概述
- 近期更新
- 前言
- 正文
- 一、拉格朗日方程的推导
- 1. 单自由度系统
- 2. 单连杆机械臂系统
- 3. 双连杆机械臂系统
- 二、MATLAB实例推导
- 1. 机器人模型的建立
- 2. 动力学代码
- 总结
- 参考文献
近期更新
【汇总】
【Matlab 六自由度机器人】系列文章汇总 \fcolorbox{green}{aqua}{【Matlab 六自由度机器人】系列文章汇总 } 【Matlab 六自由度机器人】系列文章汇总
【主线】
运动学 \color{red}运动学 运动学
- 定义标准型及改进型D-H参数,建立机器人模型。
- 运动学正解
- 基于蒙特卡罗方法(Monte Carlo Method)构建机器人工作空间
动力学 \color{red}动力学 动力学
(待补充)
【补充说明】
- 关于灵活工作空间与可达工作空间的理解
- 关于改进型D-H参数(modified Denavit-Hartenberg)的详细建立步骤
- 关于旋转的参数化(欧拉角、姿态角、四元数)的相关问题
- 关于双变量函数atan2(x,y)的解释
- 关于机器人运动学反解的有关问题
前言
本篇对机器人动力学进行一个概述。
之前谈到的运动学方程仅描述了机器人的运动过程,没有考虑到产生运动的力和扭矩,而动力学方程能描述力和运动之间的关系,因此我们在此引入动力学的概念。
本人在读研期间仅在机器人运动学的基础上完成论文的撰写,有些遗憾未能将机器人动力学应用到文章之中,在此写下机器人动力学的概述以及学习过程中遇到的问题和解决思路。
以下是本篇文章正文内容
分析机器人操作的动态数学模型,主要采用下列两种理论
- 动力学基本理论,包括牛顿欧拉方程。
- 拉格朗日力学,特别是二阶拉格朗日方程。
第一个方法:牛顿—欧拉方程即力的动态平衡法。当用此法时,需从运动学出发求得加速度,并消去各内作用力。对于较复杂的系统,此种分析方法十分复杂与麻烦。
第二个方法:拉格朗日方程即拉格朗日功能平衡法,也称为欧拉—拉格朗日方程,它只需要速度而不必求内作用力。因此,这是一种直截了当和简便的方法。
在本篇文章中主要采用拉格朗日方程来分析和求解机械手的动力学问题。
正文
一、拉格朗日方程的推导
1. 单自由度系统
我们以图中所示的单自由度系统为例,来说明如何从牛顿第二定律推导出拉格朗日方程。图中的圆点为带有质量的一个粒子,下面称为质点。该质点受到重力 g g g的效果和拉力 f f f的效果。
质量为 m m m的粒子受到限制,只能在垂直方向移动,这就构成了一个单自由度系统。 重力 m g mg mg向下作用, 外力 f f f则向上作用。
根据牛顿第二定律,这个系统中的质点的运动方程为:
m a = f − m g ⟹ m y ¨ = f − m g ma=f-mg\implies m\ddot{y}_{}^{}=f-mg ma=f−mg⟹my¨=f−mg
左侧的 m y ¨ m\ddot{y}_{}^{} my¨也可以用以下方程推出
m y ¨ = d d t ( m y ˙ ) = d d t ∂ ∂ y ˙ ( 1 2 m y ˙ 2 ) = d d t ( ∂ K ∂ y ˙ ) m\ddot{y}_{}^{}= \frac{\mathrm{d}}{\mathrm{d} t} \left(m\dot{y}\right) = \frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial {}}{\partial \dot{y}} \left(\frac{1}{2}m\dot{y}^2\right)= \frac{\mathrm{d}}{\mathrm{d} t} \left(\frac{\partial \mathcal{K}}{\partial \dot{y}}\right) my¨=dtd(my˙)=dtd∂y˙∂(21my˙2)=dtd(∂y˙∂K)
注: m y ˙ 可以写作 ∂ ∂ y ˙ ( 1 2 m y ˙ 2 ) m\dot{y}可以写作\frac{\partial {}}{\partial \dot{y}} \left(\frac{1}{2}m\dot{y}^2\right) my˙可以写作∂y˙∂(21my˙2),即 1 2 m y ˙ 2 \frac{1}{2}m\dot{y}^2 21my˙2对 y y y进行求偏导。
其中,动能 K = 1 2 m y ˙ 2 \mathcal{K}= \frac{1}{2} m\dot{y}^2 K=21my˙2
类似上面的方程,我们可以将重力表达为:
m g = ∂ ∂ y ( m g y ) = ∂ P ∂ y mg=\frac{\partial }{\partial {y}}\left(mgy\right)= \frac{\partial \mathcal{P}}{\partial {y}} mg=∂y∂(mgy)=∂y∂P
其中,重力势能 P = m g y \mathcal{P}= mgy P=mgy
定义函数 L \mathcal{L} L,它是系统的动能和势能之差,也称为系统的拉格朗日算子
L = K − P = 1 2 m y ˙ 2 − m g y \mathcal{L}= \mathcal{K}- \mathcal{P}=\frac{1}{2}m\dot{y}^2-mgy L=K−P=21my˙2−mgy
① L 对 y ˙ 求偏导,可得到 ∂ L ∂ y ˙ = ∂ K ∂ y ˙ ① \mathcal{L}对\dot{y}求偏导,可得到\frac{\partial { \mathcal{L}}}{\partial \dot{y}}=\frac{\partial { \mathcal{K}}}{\partial \dot{y}} ①L对y˙求偏导,可得到∂y˙∂L=∂y˙∂K
② L 对 y ˙ 求偏导,可得到 ∂ L ∂ y = − ∂ P ∂ y ⟹ ∂ P ∂ y = − ∂ L ∂ y ② \mathcal{L}对\dot{y}求偏导,可得到\frac{\partial { \mathcal{L}}}{\partial {y}}=-\frac{\partial { \mathcal{P}}}{\partial {y}} \implies \frac{\partial { \mathcal{P}}}{\partial {y}}=-\frac{\partial { \mathcal{L}}}{\partial {y}} ②L对y˙求偏导,可得到∂y∂L=−∂y∂P⟹∂y∂P=−∂y∂L
那么对上式的 m y ¨ = f − m g m\ddot{y}_{}^{}=f-mg my¨=f−mg可以写作如下公式
d d t ∂ L ∂ y ˙ = f − ( − ∂ L ∂ y ) ⟹ f = d d t ∂ L ∂ y ˙ − ∂ L ∂ y \frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial { \mathcal{L}}}{\partial \dot{y}}=f- \left(-\frac{\partial \mathcal{L}}{\partial {y}}\right) \implies f=\frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial { \mathcal{L}}}{\partial \dot{y}}-\frac{\partial \mathcal{L}}{\partial {y}} dtd∂y˙∂L=f−(−∂y∂L)⟹f=dtd∂y˙∂L−∂y∂L
至此,单自由度系统的拉格朗日方程就推导出来了,方程如下:
f = d d t ∂ L ∂ y ˙ − ∂ L ∂ y f=\frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial { \mathcal{L}}}{\partial \dot{y}}-\frac{\partial \mathcal{L}}{\partial {y}} f=dtd∂y˙∂L−∂y∂L
下面是建立拉格朗日函数的一般步骤
首先写出系统的动能和势能,并以广义坐标 ( q 1 , ⋯ , q n ) \left(q_{1}, \cdots, q_{n}\right) (q1,⋯,qn) 的形式来表示,其中 n n n 是系统的自由度数目;然后,根据下述公式来计算 n − n^{-} n−自由度系统的运动方程
d d t ∂ L ∂ q ˙ k − ∂ L ∂ q k = τ k , k = 1 , ⋯ , n \frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial \mathcal{L}}{\partial \dot{q}_{k}}-\frac{\partial \mathcal{L}}{\partial q_{k}}=\tau_{k}, \quad k=1, \cdots, n dtd∂q˙k∂L−∂qk∂L=τk,k=1,⋯,n
其中, τ k \tau_{k} τk 是与广义坐标 q k q_{k} qk 相关的广义力。
在上述单自由度系统的例子中,变量 y y y 作为广义坐标。欧拉-拉格朗日方程不仅可以导出一组耦合的二阶常微分方程,它还提供了一种 等同于通过牛顿第二定律得到动力学方程的构造方法。然而,正如我们将要看到的那样,对于诸如多连杆机器人等复杂系统,使用拉格朗日方法更为有利。
下面介绍
单连杆机械臂系统和
双连杆机械臂系统的拉格朗日方程
2. 单连杆机械臂系统
如下图中所示的单连杆机器人,它包括一个刚性连杆,该连杆通过齿轮系连接到直流电机。令 θ l \theta_l θl和 θ m \theta_m θm分别表示连杆和电机轴的转动角度。那么 θ m = r θ l \theta_m=r\theta_l θm=rθl,其中 r : 1 r: 1 r:1为齿轮变速比。如果连杆一端直接接在电机的旋转轴上,那么 r = 1 r=1 r=1。连杆转角和电机轴转角之间的代数关系表明该系统只有一个自由度,因此我们可以将 θ l \theta_l θl或 θ m \theta_m θm作为广义坐标。
单连杆机器人:电机输出轴通过齿轮系耦连到连杆的转动轴,齿轮系放大了电机扭矩并降低了电机转速。
在此选用 θ ℓ \theta_\ell θℓ作为广义坐标
系统的动能可以表示为 θ ℓ \theta_\ell θℓ的函数,其表示如下所示
K = 1 2 J m θ ˙ m 2 + 1 2 J ℓ θ ˙ ℓ 2 = 1 2 J m r 2 θ ˙ ℓ 2 + 1 2 J ℓ θ ˙ ℓ 2 = 1 2 ( r 2 J m + J ℓ ) θ ˙ ℓ 2 \mathcal{K} =\frac{1}{2}J_{m} \dot{\theta}_{m}^{2}+\frac{1}{2} J_{\ell} \dot{\theta}_{\ell}^{2} =\frac{1}{2}J_{m}r^2 \dot{\theta}_{\ell}^{2}+\frac{1}{2} J_{\ell} \dot{\theta}_{\ell}^{2} =\frac{1}{2}\left(r^{2} J_{m}+J_{\ell}\right) \dot{\theta}_{\ell}^{2} K=21Jmθ˙m2+21Jℓθ˙ℓ2=21Jmr2θ˙ℓ2+21Jℓθ˙ℓ2=21(r2Jm+Jℓ)θ˙ℓ2
其中, J m , J ℓ J_m,J_\ell Jm,Jℓ分别为电机和连杆的转动惯量。系统的势能如下所示
P = M g ℓ ( 1 − cos θ ℓ ) \mathcal{P}=Mg\ell\left(1-\cos \theta_{\ell}\right) P=Mgℓ(1−cosθℓ)
其中, M M M 是连杆的总体质量, ℓ \ell ℓ 是关节轴线与连杆质心之间的距离。定义 J = r 2 J m + J ℓ J=r^{2} J_{m}+J_{\ell} J=r2Jm+Jℓ,拉格朗日算子 L \mathcal{L} L如下
L = 1 2 J θ ˙ ℓ 2 − M g ℓ ( 1 − cos θ ℓ ) \mathcal{L}=\frac{1}{2} J \dot{\theta}_{\ell}^{2}-M g \ell\left(1-\cos \theta_{\ell}\right) L=21Jθ˙ℓ2−Mgℓ(1−cosθℓ)
将上述表达式代人到公式 d d t ∂ L ∂ q ˙ k − ∂ L ∂ q k = τ k , \frac{\mathrm{d}}{\mathrm{d} t} \frac{\partial \mathcal{L}}{\partial \dot{q}_{k}}-\frac{\partial \mathcal{L}}{\partial q_{k}}=\tau_{k}, dtd∂q˙k∂L−∂qk∂L=τk,中,其中 n = 1 n=1 n=1,广义坐标为 θ ℓ \theta_{\ell} θℓ,得到下列运动方程
J θ ¨ ℓ + M g ℓ sin θ ℓ = τ ℓ J \ddot{\theta}{ }_{\ell}+M g \ell \sin \theta_{\ell}=\tau_{\ell} Jθ¨ℓ+Mgℓsinθℓ=τℓ
广义力 τ ℓ \tau_{\ell} τℓ 表示那些无法从势函数推导出的外力和外力矩。对于这个例子, τ ℓ \tau_{\ell} τℓ 包括反映 到连杆上的电机输入力矩 u = r τ m u=r \tau_{m} u=rτm,以及 (非保守) 阻尼力矩 B m θ ˙ m B_{m} \dot{\theta}_{m} Bmθ˙m 和 B ℓ θ ˙ 1 B_{\ell} \dot{\theta}_{1} Bℓθ˙1 。将电机阻尼反映到连杆上,得出
τ ℓ = u − B θ ˙ ℓ ⟹ u = τ ℓ + B θ ˙ ℓ \tau_{\ell}=u-B \dot{\theta}_{\ell} \implies u=\tau_{\ell}+B \dot{\theta}_{\ell} τℓ=u−Bθ˙ℓ⟹u=τℓ+Bθ˙ℓ
其中, B = r B m + B ℓ B=r B_{m}+B_{\ell} B=rBm+Bℓ 。因此,该系统完整的动力学表达式为
u = J θ ¨ ℓ + B θ ˙ ℓ + M g ℓ sin θ ℓ u=J \ddot{\theta}_{\ell}+B \dot{\theta}_{\ell}+M g \ell \sin \theta_{\ell} u=Jθ¨ℓ+Bθ˙ℓ+Mgℓsinθℓ
3. 双连杆机械臂系统
下面推导双连杆机械臂系统的动能和位能,如下图。这种运动机构具有开式运动链,与复摆运动有许多相似之处。
图中
T 1 T_{1} T1 和 T 2 T_{2} T2 为转矩;m 1 m_{1} m1 和 m 2 m_{2} m2为连杆1和连杆2的质量,该连杆的质量以连杆末端的质点来进行表示;
d 1 d_{1} d1 和 d 2 d_{2} d2分别为两连杆的长度;
θ 1 \theta_{1} θ1 和 θ 2 \theta_{2} θ2为广义坐标;
g g g为重力加速度。
先计算连杆1的动能 K 1 {K_1} K1和动能 P 1 {P_1} P1
K 1 = 1 2 m 1 v 1 2 v 1 = d 1 θ ˙ 1 P 1 = m 1 g h h 1 = − d 1 cos θ 1 \begin{aligned} {K_1}&=\frac{1}{2} m_{1} v_{1}^{2} \\ v_{1}&=d_{1} \dot{\theta}_{1} \\ {P_1}&=m_1gh \\ h_1&=-d_{1} \cos \theta_{1} \end{aligned} K1v1P1h1=21m1v12=d1θ˙1=m1gh=−d1cosθ1
推导得
K 1 = 1 2 m 1 d 1 2 θ ˙ 1 2 P 1 = − m 1 g d 1 cos θ 1 \begin{aligned} K_{1}&=\frac{1}{2} m_{1} d_{1}^{2} \dot{\theta}_{1}^{2} \\ P_{1}&=-m_{1} g d_{1} \cos \theta_{1} \end{aligned} K1P1=21m1d12θ˙12=−m1gd1cosθ1
再求连杆 2 的动能 K 2 K_{2} K2 和位能 P 2 P_{2} P2 。
K 2 = 1 2 m 2 v 2 2 P 2 = m g y 2 \begin{aligned} K_{2}&=\frac{1}{2} m_{2} v_{2}^{2}\\ P_{2}&=m g y_{2} \end{aligned} K2P2=21m2v22=mgy2式中
v 2 2 = x ˙ 2 2 + y ˙ 2 2 x 2 = d 1 sin θ 1 + d 2 sin ( θ 1 + θ 2 ) y 2 = − d 1 cos θ 1 − d 2 cos ( θ 1 + θ 2 ) x ˙ 2 = d 1 cos θ 1 θ ˙ 1 + d 2 cos ( θ 1 + θ 2 ) ( θ ˙ 1 + θ ˙ 2 ) y ˙ 2 = d 1 sin θ 1 θ ˙ 1 + d 2 sin ( θ 1 + θ 2 ) ( θ ˙ 1 + θ ˙ 2 ) \begin{aligned} v_{2}^{2}&=\dot{x}_{2}^{2}+\dot{y}_{2}^{2} \\ x_{2}&=d_{1} \sin \theta_{1}+d_{2} \sin \left(\theta_{1}+\theta_{2}\right) \\ y_{2}&=-d_{1} \cos \theta_{1}-d_{2} \cos \left(\theta_{1}+\theta_{2}\right) \\ \dot{x}_{2}&=d_{1} \cos \theta_{1} \dot{\theta}_{1}+d_{2} \cos \left(\theta_{1}+\theta_{2}\right)\left(\dot{\theta}_{1}+\dot{\theta}_{2}\right) \\ \dot{y}_{2}&=d_{1} \sin \theta_{1} \dot{\theta}_{1}+d_{2} \sin \left(\theta_{1}+\theta_{2}\right)\left(\dot{\theta}_{1}+\dot{\theta}_{2}\right) \end{aligned} v22x2y2x˙2y˙2=x˙22+y˙22=d1sinθ1+d2sin(θ1+θ2)=−d1cosθ1−d2cos(θ1+θ2)=d1cosθ1θ˙1+d2cos(θ1+θ2)(θ˙1+θ˙2)=d1sinθ1θ˙1+d2sin(θ1+θ2)(θ˙1+θ˙2)
于是可求得
v 2 2 = d 1 2 θ ˙ 1 2 + d 2 2 ( θ ˙ 1 2 + 2 θ ˙ 1 θ ˙ 2 + θ ˙ 2 2 ) + 2 d 1 d 2 cos θ 2 ( θ ˙ 1 2 + θ ˙ 1 θ ˙ 2 ) \boldsymbol{v}_{2}^{2}=d_{1}^{2} \dot{\theta}_{1}^{2}+d_{2}^{2}\left(\dot{\theta}_{1}^{2}+2 \dot{\theta}_{1} \dot{\theta}_{2}+\dot{\theta}_{2}^{2}\right)+2 d_{1} d_{2} \cos \theta_{2}\left(\dot{\theta}_{1}^{2}+\dot{\theta}_{1} \dot{\theta}_{2}\right) v22=d12θ˙12+d22(θ˙12+2θ˙1θ˙2+θ˙22)+2d1d2cosθ2(θ˙12+θ˙1θ˙2)
以及
K 2 = 1 2 m 2 d 1 2 θ ˙ 1 2 + 1 2 m 2 d 2 2 ( θ ˙ 1 + θ ˙ 2 ) 2 + m 2 d 1 d 2 cos θ 2 ( θ ˙ 1 2 + θ ˙ 1 θ ˙ 2 ) P 2 = − m 2 g d 1 cos θ 1 − m 2 g d 2 cos ( θ 1 + θ 2 ) \begin{gathered} K_{2}&=\frac{1}{2} m_{2} d_{1}^{2} \dot{\theta}_{1}^{2}+\frac{1}{2} m_{2} d_{2}^{2}\left(\dot{\theta}_{1}+\dot{\theta}_{2}\right)^{2}+m_{2} d_{1} d_{2} \cos \theta_{2}\left(\dot{\theta}_{1}^{2}+\dot{\theta}_{1} \dot{\theta}_{2}\right) \\ P_{2}&=-m_{2} g d_{1} \cos \theta_{1}-m_{2} g d_{2} \cos \left(\theta_{1}+\theta_{2}\right) \end{gathered} K2P2=21m2d12θ˙12+21m2d22(θ˙1+θ˙2)2+m2d1d2cosθ2(θ˙12+θ˙1θ˙2)=−m2gd1cosθ1−m2gd2cos(θ1+θ2)
这样, 二连杆机械手系统的总动能和总位能分别为
K = K 1 + K 2 = 1 2 ( m 1 + m 2 ) d 1 2 θ ˙ 1 2 + 1 2 m 2 d 2 2 ( θ ˙ 1 + θ ˙ 2 ) 2 + m 2 d 1 d 2 cos θ 2 ( θ ˙ 1 2 + θ ˙ 1 θ ˙ 2 ) P = P 1 + P 2 = − ( m 1 + m 2 ) g d 1 cos θ 1 − m 2 g d 2 cos ( θ 1 + θ 2 ) \begin{aligned} K &=K_{1}+K_{2} \\ &=\frac{1}{2}\left(m_{1}+m_{2}\right) d_{1}^{2} \dot{\theta}_{1}^{2}+\frac{1}{2} m_{2} d_{2}^{2}\left(\dot{\theta}_{1}+\dot{\theta}_{2}\right)^{2}+m_{2} d_{1} d_{2} \cos \theta_{2}\left(\dot{\theta}_{1}^{2}+\dot{\theta}_{1} \dot{\theta}_{2}\right) \\ P &=P_{1}+P_{2} \\ &=-\left(m_{1}+m_{2}\right) g d_{1} \cos \theta_{1}-m_{2} g d_{2} \cos \left(\theta_{1}+\theta_{2}\right) \end{aligned} KP=K1+K2=21(m1+m2)d12θ˙12+21m2d22(θ˙1+θ˙2)2+m2d1d2cosθ2(θ˙12+θ˙1θ˙2)=P1+P2=−(m1+m2)gd1cosθ1−m2gd2cos(θ1+θ2)
二、MATLAB实例推导
1. 机器人模型的建立
- 根据文章上述的双连杆机械臂对其进行建模,具体建模方法可参阅以下文章:
- 定义标准型及改进型D-H参数建立机器人模型(附MATLAB建模代码)
- 【Matlab 六自由度机器人】关于改进型D-H参数(modified Denavit-Hartenberg)的详细建立步骤
单杆机械臂系统代码如下:
%% 单杆机械臂系统
clc
clear
close all
warning off%% MOD-DH参数
d1 = 0;
d2 = 100;
a1 = 0;
a2 = 0;
alpha1 = pi/2;
alpha2 = 0;
% theta d a alpha offset(关节变量偏移量)
L(1)=Link([0 d1 a1 alpha1 0 ],'modified');
L(2)=Link([0 d2 a2 alpha2 0 ],'modified');
Single_Robot = SerialLink(L,'name','SingleRobot');
Single_Robot.teach()
%限制机器人的关节空间
theta1min = -180; theta1max = 180;
theta2min = -180; theta2max = 180;
L(1).qlim = [theta1min theta1max]*pi/180;
L(2).qlim = [theta2min theta2max]*pi/180;
双连杆机械臂系统代码如下:
%% 双连杆机械臂系统
clc
clear
close all
warning off%% MOD-DH参数
d1 = 0;
d2 = 0;
d3 = 0;
a1 = 0;
a2 = 100;
a3 = 100;
alpha1 = pi/2;
alpha2 = 0;
alpha3 = 0;
% theta d a alpha offset(关节变量偏移量)
L(1)=Link([0 d1 a1 alpha1 0 ],'modified');
L(1).offset = -pi/2;
L(2)=Link([0 d2 a2 alpha2 0 ],'modified');
L(3)=Link([0 d3 a3 alpha3 0 ],'modified');
Double_Robot = SerialLink(L,'name','SingleRobot');
Double_Robot.display()
Double_Robot.teach()
%限制机器人的关节空间
theta1min = -180; theta1max = 180;
theta2min = -180; theta2max = 180;
theta3min = -180; theta3max = 180;
L(1).qlim = [theta1min theta1max]*pi/180;
L(2).qlim = [theta2min theta2max]*pi/180;
L(3).qlim = [theta3min theta3max]*pi/180;
接下来对其进行运动学上的轨迹规划:
- 对于单杆系统,其轨迹规划如下:
n = 1:100;
q0 = [0 0];
q1 = [30 30];% 由q0移动到q1
[q,qd,qdd] = jtraj(q0,q1,n);figure(2)
subplot(3,1,1)
plot(n,q)
subplot(3,1,2)
plot(n,qd)
subplot(3,1,3)
plot(n,qdd)
其效果如下图:
- 对于双连杆系统
n = 1:100;
q0 = [0 0 0];
q1 = [30 60 90];[q,qd,qdd] = jtraj(q0,q1,n);figure(2)
subplot(3,1,1)
plot(n,q)
subplot(3,1,2)
plot(n,qd)
subplot(3,1,3)
plot(n,qdd)
其效果如下图:
往后会对关节空间轨迹规划 j t r a j ( ) 函数 jtraj()函数 jtraj()函数 和 笛卡尔空间轨迹规划 c t r a j ( ) 函数 ctraj()函数 ctraj()函数 进行单独篇章的撰写和探讨。
至此,运动学的前期准备已经完毕,下面进行机器人动力学 拉格朗日方程的推导。
2. 动力学代码
使用robot.dyn()函数查看建立的机器人的动力学参数
代码如下:
% 查看robot机器人所有的连杆的动力学参数
robot.dyn;
% 查看robot机器人第n根连杆的动力学参数
robot.dyn(n);% 对Single_Robot进行动力学参数的设置
总结
本篇对机器人动力学进行一个概述。
之前谈到的运动学方程仅描述了机器人的运动过程,没有考虑到产生运动的力和扭矩,而动力学方程能描述力和运动之间的关系,因此我们在此引入动力学的概念。
第一章是机器人动力学之推导拉格朗日方程的内容,本文详细介绍了如何理解拉格朗日方程以及如何进行推导,介绍了如何求出机构的动能及位能。
第二章是拉格朗日方程代码的实现。
参考文献
- 机器人学、机器视觉与控制:MATLAB算法基础
- 机器人学
- 机器人建模和控制
- MATLAB机器人工具箱(四)动力学
- MATLAB机器人工具箱【3】—— 动力学相关函数及用法
相关文章:
![](https://img-blog.csdnimg.cn/28bd12af4ea844e895c4cdd8f4feb2e4.jpeg#pic_center)
【Matlab 六自由度机器人】机器人动力学之推导拉格朗日方程(附MATLAB机器人动力学拉格朗日方程推导代码)
【Matlab 六自由度机器人】机器人动力学概述 近期更新前言正文一、拉格朗日方程的推导1. 单自由度系统2. 单连杆机械臂系统3. 双连杆机械臂系统 二、MATLAB实例推导1. 机器人模型的建立2. 动力学代码 总结参考文献 近期更新 【汇总】 【Matlab 六自由度机器人】系列文章汇总 …...
![](https://img-blog.csdnimg.cn/img_convert/19ed52795783bf7dddc724fe2755af28.png)
线下生鲜蔬果店做小程序有什么方法
生鲜蔬果是生活所需,大小商家众多,零售批发各种经营模式,小摊贩或是超市门店都有着目标客户或准属性群体。竞争和获客转化也促进着商家寻找客源和加快线上进程。 尤其是以微信社交为主的私域场景,普客/会员都需要精细化管理营收和…...
![](https://www.ngui.cc/images/no-images.jpg)
几种linux开机自启脚本的方法
几种linux开机自启脚本的方法 1. 脚本添加到init.d目录中2. 创建服务service(推荐)3. /etc/profile & /etc/profile.d(不推荐)4. /etc/rc.local 本文以启动jenkins节点为例,需要持久连接,实现开机自启 …...
![](https://img-blog.csdnimg.cn/direct/91a0d12d5f744fa592f1e18a9f6be7a5.png)
Qt开发笔记:Qt3D三维开发笔记(一):Qt3D三维开发基础概念介绍
若该文为原创文章,转载请注明原文出处 本文章博客地址:https://blog.csdn.net/qq21497936/article/details/140059315 长沙红胖子Qt(长沙创微智科)博文大全:开发技术集合(包含Qt实用技术、树莓派、三维、O…...
![](https://img-blog.csdnimg.cn/direct/9421a052fb514672a54ccf3a3bd20ffc.png)
Firewalld 防火墙基础
Firewalld 防火墙基础 一、Firewalld概述firewalld 简介firewalld 和 iptables 的关系firewalld 与 iptables service 的区别 二、Firewalld 网络区域区域介绍Firewalld数据处理流程 三、Firewalld 防火墙的配置方法firewall-config 图形工具“区域”选项卡“服务”选项卡改变防…...
![](https://img-blog.csdnimg.cn/direct/a82d0810fed9424b82f55816e8c89f11.png)
针对 Windows 10 的功能更新,版本 22H2 - 错误 0xc1900204
最近想帮女朋友生win11发现她电脑安装更新总是卡到安装%10这里失败 原来是安装路径被修改过了,改回c盘 win R → 输入regedit 计算机\HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion...
![](https://img-blog.csdnimg.cn/direct/1d7b4f5df14d430c803eed03b5e54b9b.png)
goframe框架规范限制(but it should be named with “Res“ suffix like “XxxRes“)
背景: 首页公司最近要启动一个项目,公司主要业务是用java开发的,但是目前这个方向的项目,公司要求部署在主机上,就是普通的一台电脑上,电脑配置不详,还有经常开关机,所以用java面临…...
![](https://img-blog.csdnimg.cn/img_convert/0a9e77694a8990d3c3fa7de16ecdd93c.png)
格式化选NTFS还是exFAT 格式化NTFS后Mac不能用怎么办 移动硬盘格式化ntfs和exfat的区别
面对硬盘、U盘或移动硬盘的格式化决策,NTFS与exFAT作为主流的文件系统,用户在选择时可以根据它们的不同特点来选择适用场景。下面我们来看看格式化选NTFS还是exFAT,格式化NTFS后Mac不能用怎么办的相关内容。 一、格式化选NTFS还是exFAT 在数…...
![](https://img-blog.csdnimg.cn/direct/c7057ffb47b54759ba1843ee7d93f977.png)
中国桥梁空间分布数据
2020年中国桥梁空间分布数据,共包含102000余条数据。 数据属性表包括:地级市名、区县名、桥梁名称和经纬度。有shp和EXCEl两种格式数据。目前暂没有广西、广东和台湾三个省份数据。...
![](https://img-blog.csdnimg.cn/img_convert/3a5d04a91d21bca1327f49a5696371fc.jpeg)
14-15 为什么我们现在对阅读如此难以接受
写出来感觉很奇怪,但最近我感觉自己失去了阅读能力。长篇文本对我来说尤其具有挑战性。句子很难读完。更别提章节了。章节有很多段落,而段落又由许多句子组成。 啊。 即使在极少数情况下,我读完了一章,下一页上已经有另一章等着…...
![](https://img-blog.csdnimg.cn/direct/bbf1dc42a3eb467eb977b92317561117.png)
经典的卷积神经网络模型 - ResNet
经典的卷积神经网络模型 - ResNet flyfish 2015年,何恺明(Kaiming He)等人在论文《Deep Residual Learning for Image Recognition》中提出了ResNet(Residual Network,残差网络)。在当时,随着…...
![](https://img-blog.csdnimg.cn/direct/240d374608344780a331b843f632b2cb.png#pic_center)
【Git 学习笔记】1.3 Git 的三个阶段
1.3 Git 的三个阶段 由于远程代码库后续存在新的提交,因此实操过程中的结果与书中并不完全一致。根据书中 HEAD 指向的 SHA-1:34acc370b4d6ae53f051255680feaefaf7f7850d,可通过以下命令切换到对应版本,并新建一个 newdemo 分支来…...
![](https://img-blog.csdnimg.cn/direct/f8c4d66d4c68463280e331904d66c9e5.png#pic_center)
华为DCN之:SDN和NFV
1. SDN概述 1.1 SDN的起源 SDN(Software Defined Network)即软件定义网络。是由斯坦福大学Clean Slate研究组提出的一种新型网络创新架构。其核心理念通过将网络设备控制平面与数据平面分离,从而实现了网络控制平面的集中控制,为…...
![](https://img-blog.csdnimg.cn/direct/6982bf045b0b4ffaa924468c5edd0ecf.png)
黑马头条-数据管理平台
目录 项目准备 验证码登录 验证码登录-流程 token 的介绍 个人信息设置和 axios 请求拦截器 axios 响应拦截器和身份验证失败 优化-axios 响应结果 发布文章-富文本编辑器 项目准备 技术: • 基于 Bootstrap 搭建网站标签和样式 • 集成 wangEditor 插件…...
![](https://img-blog.csdnimg.cn/direct/15f11b9000784d40a96da05717b0d9b0.jpeg)
API Object设计模式
API测试面临的问题 API测试由于编写简单,以及较高的稳定性,许多公司都以不同工具和框架维护API自动化测试。我们基于seldom框架也积累了几千条自动化用例。 •简单的用例 import seldomclass TestRequest(seldom.TestCase):def test_post_method(self…...
![](https://www.ngui.cc/images/no-images.jpg)
Python 爬虫:多进程,多线程爬虫<提高爬取效率>
关于多进程,多线程的知识,请自行查询资料补充 ~~~~~~~~~~~ 使用多进程: 在python中,使用多进程需要先导包: from threding import Threaddef work(name):for i in range(1000):print(f"我是线程:{n…...
![](https://img-blog.csdnimg.cn/img_convert/998cbc401689d84f1c86111f1be9bca0.png)
什么是上拉电阻器?上拉和下拉电阻的典型应用
什么是上拉电阻器? 上拉电阻是逻辑电路中使用的电阻,用于确保引脚在所有条件下具有明确定义的逻辑电平。提醒一下,数字逻辑电路有三种逻辑状态:高、低和浮动(或高阻抗)。当引脚未被拉至高或低逻辑电平&…...
![](https://www.ngui.cc/images/no-images.jpg)
centos7安装python3.10
文章目录 1. 安装依赖项2. 下载Python 3.10源码3. 解压源码并进入目录4. 配置安装选项5. 编译并安装Python6. 验证安装7.创建软连接8. 安装pip39. 换源 1. 安装依赖项 sudo yum groupinstall -y "Development Tools" sudo yum install -y openssl-devel bzip2-devel…...
![](https://img-blog.csdnimg.cn/direct/09162ec149614efc97529937f0f320e8.png)
QT事件处理及实例(鼠标事件、键盘事件、事件过滤)
这篇文章通过鼠标事件、键盘事件和事件过滤的三个实例介绍事件处理的实现。 鼠标事件及实例 鼠标事件包括鼠标的移动、按下、松开、单击和双击等。 创建一个MouseEvent项目,通过项目介绍如何获得和处理鼠标事件。程序效果如下图所示。 界面布局代码如下ÿ…...
![](https://img-blog.csdnimg.cn/img_convert/1102bc544815f4a7d20d5349052985db.png)
职场新人必备待办工具 高效待办工作更省心
作为一名初入职场的菜鸟,我曾被繁琐的工作任务压得喘不过气。每天,邮件、会议、项目任务像潮水般涌来,我常常感到力不从心,生怕遗漏了什么重要事项。那种焦虑,就像站在人来人往的地铁站,却不知道自己该搭乘…...
![](https://img-blog.csdnimg.cn/direct/8489ab1b5bce4c3d84d339410edd6c4a.jpeg#pic_center)
【创作纪念日】我的CSDN1024创作纪念
机缘 注册CSDN是很长时间了,但是上学时因为专业是电气工程,与编程打交道比较少,一直都是寻求帮助,而非内容输出。直到考研后专业改变,成为了主要跟软件编程、计算机知识相关的研究后,才逐步开启自己的CSDN…...
![](https://img-blog.csdnimg.cn/img_convert/e3ca1a6c3792251b43bb25924f6eb5a0.png)
在AvaotaA1全志T527开发板上使用 UART 连接开发板
连接开发板 AvaotaA1提供两种连接串口输出方式,因为AvaotaA1需要DC 12V/2A/5.5-2.1电源适配器才可以启动系统,请先确保电源已接通。 方式一: 使用配套的 TyepC-SUB 转接板 40Gbps雷电线标准TypeC数据线,就可以同步实现 USB 串口…...
![](https://www.ngui.cc/images/no-images.jpg)
【Asterinas】Asterinas 进程启动与切换
Asterinas 进程启动与切换 进程启动 进程创建: Rust pub fn spawn_user_process( executable_path: &str, argv: Vec, envp: Vec, ) -> Result<Arc> { // spawn user process should give an absolute path debug_assert!(executable_path.starts_with…...
![](https://img-blog.csdnimg.cn/img_convert/327df6dfff26faeaeead0f93c692296d.png)
CVE-2024-6387 分析
文章目录 1. 漏洞成因2. 漏洞利用前置知识2.1 相关 SSH 协议报文格式2.2 Glibc 内存分配相关规则 3. POC3.1 堆内存布局3.2 服务端解析数据时间测量3.3 条件竞争3.4 FSOP 4. 相关挑战 原文链接:个人博客 近几天,OpenSSH爆出了一个非常严重的安全漏洞&am…...
![](https://img-blog.csdnimg.cn/direct/af70d5f0ac3b40a9b89f5636069129d6.png)
STM32 ADC精度提升方法
STM32 ADC精度提升方法 Fang XS.1452512966qq.com如果有错误,希望被指出,学习技术的路难免会磕磕绊绊量的积累引起质的变化 硬件方法 优化布局布线,尽量减小其他干扰增加电源、Vref去耦电容使用低通滤波器,或加磁珠使用DCDC时尽…...
![](https://img-blog.csdnimg.cn/direct/2fb462d497fd466dac033f3b11bc00f0.png)
Redis为什么设计多个数据库
关于Redis的知识前面已经介绍过很多了,但有个点没有讲,那就是一个Redis的实例并不是只有一个数据库,一般情况下,默认是Databases 0。 一 内部结构 设计如下: Redis 的源码中定义了 redisDb 结构体来表示单个数据库。这个结构有若干重要字段,比如: dict:该字段存储了…...
![](https://img-blog.csdnimg.cn/direct/8fe70aee0e52491da56c2bb0bcac0df4.png)
零基础学习MySQL---MySQL入门
顾得泉:个人主页 个人专栏:《Linux操作系统》 《C从入门到精通》 《LeedCode刷题》 键盘敲烂,年薪百万! 一、什么是数据库 问:存储数据用文件就可以了,为什么还要弄个数据库呢? 这就不得不提…...
![](https://img-blog.csdnimg.cn/direct/c8b060f5e4bc4e449ed05a36a02e0211.png)
HUAWEI MPLS 静态配置和动态LDP配置
MPLS(Multi-Protocol Label Switching,多协议标签交换技术)技术的出现,极大地推动了互联网的发展和应用。例如:利用MPLS技术,可以有效而灵活地部署VPN(Virtual Private Network,虚拟专用网),TE(Traffic Eng…...
![](https://www.ngui.cc/images/no-images.jpg)
【Rust】——所有的模式语法
💻博主现有专栏: C51单片机(STC89C516),c语言,c,离散数学,算法设计与分析,数据结构,Python,Java基础,MySQL,linux…...
![](https://img-blog.csdnimg.cn/direct/5b1d6de83c224a0ea77f7750a8090abd.png)
基于Python的求职招聘管理系统【附源码】
摘 要 随着互联网技术的不断发展,人类的生活已经逐渐离不开网络了,在未来的社会中,人类的生活与工作都离不开数字化、网络化、电子化与虚拟化的数字技术。从互联网的发展历史、当前的应用现状和发展趋势来看,我们完全可以肯定&…...
![](https://img-blog.csdnimg.cn/img_convert/b7e3f21a73c8310ac55f5032bb33b2ff.png)
Python23 使用Tensorflow实现线性回归
TensorFlow 是一个开源的软件库,用于数值计算,特别适用于大规模的机器学习。它由 Google 的研究人员和工程师在 Google Brain 团队内部开发,并在 2015 年首次发布。TensorFlow 的核心是使用数据流图来组织计算,使得它可以轻松地利…...
![](https://www.ngui.cc/images/no-images.jpg)
C++:枚举类的使用案例及场景
一、使用案例 在C中,枚举类(也称为枚举类型或enum class)是C11及以后版本中引入的一种更加强大的枚举类型。与传统的枚举(enum)相比,枚举类提供了更好的类型安全性和作用域控制。下面是一个使用枚举类的案…...
![](https://www.ngui.cc/images/no-images.jpg)
中英双语介绍美国的州:明尼苏达州(Minnesota)
中文版 明尼苏达州简介 明尼苏达州位于美国中北部,以其万湖之州的美誉、丰富的自然资源和多样化的经济结构而著称。以下是对明尼苏达州的详细介绍,包括其地理位置、人口、经济、教育、文化和主要城市。 地理位置 明尼苏达州东接威斯康星州࿰…...
![](https://img-blog.csdnimg.cn/direct/d4ef97dd55da4e8ea07b01e951606b57.png)
Python实现万花筒效果:创造炫目的动态图案
文章目录 引言准备工作前置条件 代码实现与解析导入必要的库初始化Pygame定义绘制万花筒图案的函数主循环 完整代码 引言 万花筒效果通过反射和旋转图案创造出美丽的对称图案。在这篇博客中,我们将使用Python来实现一个动态的万花筒效果。通过利用Pygame库…...
![](https://img-blog.csdnimg.cn/direct/2ed7db66b56c4e9fb165e8af20d301aa.gif)
JavaScript之深入对象,详细讲讲构造函数与常见内置构造函数
前言:哈喽,大家好,我是前端菜鸟的自我修养!今天给大家详细讲讲构造函数与常见内置构造函数,并提供具体代码帮助大家深入理解,彻底掌握!原创不易,如果能帮助到带大家,欢迎…...
![](https://img-blog.csdnimg.cn/direct/bc47d6719c904886b8adac924240d61c.png)
PyQt5水平布局--只需5分钟带你搞懂
PyQt5水平布局(QHBoxLayout)是一种在GUI应用程序中用于组织和排列控件的布局方式。它允许开发者将控件在水平方向上从左到右依次排列,非常适合于需要并排显示控件的场景,如工具栏、水平菜单等。 import sys from PyQt5.QtWidgets…...
![](https://www.ngui.cc/images/no-images.jpg)
telegram mini app和game实现登录功能
接上一篇文章,我们在创建好telegram机器人后,开始开发小游戏或者mini App,那就避免不了登录功能。 公开链接 bot设置教程:https://lengmo714.top/6e79860b.html 参考教程参考教程,telegram已经给我们提供非常多的api,我们在获取用…...
![](https://img-blog.csdnimg.cn/direct/6b7ca049e8164bfca992beddc804e85e.png)
【Python】字典练习
python期考练习 目录 1. 首都名编辑 2. 摩斯电码 3. 登录 4. 学生的姓名和年龄编辑 5. 电商 6. 学生基本信息 7. 字母数 1. 首都名 初始字典 (可复制) : d{"China":"Beijing","America":"Washington","Norway":…...
![](https://img-blog.csdnimg.cn/direct/36eda21e344546faaf96d59236c867c3.png)
Apache POI、EasyPoi、EasyExcel
目录 编辑 (一)Apache PoI 使用 (二)EasyPoi使用 (三)EasyExcel使用 写 读 最简单的读 最简单的读的excel示例 最简单的读的对象 (一)Apache PoI 使用 (二&…...
![](https://www.ngui.cc/images/no-images.jpg)
gcop:简化 Git 提交流程的高效助手 | 一键生成 commit message
💖 大家好,我是Zeeland。Tags: 大模型创业、LangChain Top Contributor、算法工程师、Promptulate founder、Python开发者。📣 个人说明书:Zeeland📣 个人网站:https://me.zeeland.cn/📚 Github…...
![](https://img-blog.csdnimg.cn/direct/30538b25289141f3a92c440dd077e5b9.gif)
TS_类型
目录 1.类型注解 2.类型检查 3.类型推断 4.类型断言 ①尖括号(<>)语法 ②as语法 5.数据类型 ①boolean ②number ③string ④undefined 和 null ⑤数组和元组 ⑥枚举 ⑦any 和void ⑧symbol ⑨Function ⑩Object 和 object 6.高…...
![](https://img-blog.csdnimg.cn/img_convert/83f4e1341435c6a98f64579641e748ff.png)
Linux源码阅读笔记10-进程NICE案例分析2
set_user_nice set_user_nice函数功能:设置某一进程的NICE值,其NICE值的计算是根据进程的静态优先级(task_struct->static_prio),直接通过set_user_nice函数更改进程的静态优先级。 内核源码 void set_user_nice…...
![](https://img-blog.csdnimg.cn/direct/f76017beafe74c1f9628343ab3a72a33.png)
Elasticsearch实战教程: 如何在海量级数据中进行快速搜索
🎬 鸽芷咕:个人主页 🔥 个人专栏: 《C干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 引入 Elasticsearch(简称ES)是一个基于Apache Lucene™的开源搜索引擎,无论在开源还是专有领…...
![](https://img-blog.csdnimg.cn/direct/6553eef55edc424ead9df1585240305c.png)
Python学习笔记24:进阶篇(十三)常见标准库使用之数据压缩功能模块zlib,gzip,bz2,lzma的学习使用
前言 本文是根据python官方教程中标准库模块的介绍,自己查询资料并整理,编写代码示例做出的学习笔记。 根据模块知识,一次讲解单个或者多个模块的内容。 教程链接:https://docs.python.org/zh-cn/3/tutorial/index.html 数据压缩…...
![](https://www.ngui.cc/images/no-images.jpg)
【笔记】Android Settings 应用设置菜单的界面代码介绍
简介 Settings应用中,提供多类设置菜单入口,每个菜单内又有各模块功能的实现。 那么各个模块基于Settings 基础的界面Fragment去实现UI,层层按不同业务进行封装继承实现子类: DashboardFragmentSettingsPreferenceFragment 功…...
![](https://www.ngui.cc/images/no-images.jpg)
Symfony配置管理深度解析:构建可维护项目的秘诀
Symfony是一个高度灵活且功能丰富的PHP框架,它提供了一套强大的配置管理系统,使得开发者能够轻松定制和优化应用程序的行为。本文将深入探讨Symfony中的配置管理机制,包括配置的结构、来源、加载过程以及最佳实践。 一、配置管理的重要性 在…...
![](https://img-blog.csdnimg.cn/img_convert/0ea61f97e0d8c149def6130b912e5a79.png)
视频的宣传片二维码怎么做?扫码播放视频的制作教程
现在很多的宣传片会通过扫码的方式来展示,通过将视频生成二维码之后,其他人就可以扫码来查看视频内容,从而简化获取视频的过程,提升视频传播的效率及用户查看视频的便捷性。目前,日常生活和工作中就有视频二维码的应用…...
![](https://www.ngui.cc/images/no-images.jpg)
实用的网站
前端 精简CSS格式 Font Awesome 图标库 BootCDN 加速服务 LOGO U钙网 AI AI工具集 视频下载 B站视频解析下载...
![](https://img-blog.csdnimg.cn/direct/ccd25a05241c487bb6d608bdc4d6b202.png)
Monorepo(单体仓库)与 MultiRepo(多仓库): Monorepo 单体仓库开发策略与实践指南
🔥 个人主页:空白诗 文章目录 一、引言1. Monorepo 和 MultiRepo 简介2. 为什么选择 Monorepo? 二、Monorepo 和 MultiRepo 的区别1. 定义和概述2. 各自的优点和缺点3. 适用场景 三、Monorepo 的开发策略1. 版本控制2. 依赖管理3. 构建和发布…...
![](https://img-blog.csdnimg.cn/img_convert/aa6c051c59be164cee0f3784d076228e.jpeg)
使用 PyTorch 创建的多步时间序列预测的 Encoder-Decoder 模型
Encoder-decoder 模型在序列到序列的自然语言处理任务(如语言翻译等)中提供了最先进的结果。多步时间序列预测也可以被视为一个 seq2seq 任务,可以使用 encoder-decoder 模型来处理。本文提供了一个用于解决 Kaggle 时间序列预测任务的 encod…...
![](https://img-blog.csdnimg.cn/direct/075ff18974b04b90b6f0e401dcd20725.gif)
Element中的日期时间选择器DateTimePicker和级联选择器Cascader
简述:在Element UI框架中,Cascader(级联选择器)和DateTimePicker(日期时间选择器)是两个非常实用且常用的组件,它们分别用于日期选择和多层级选择,提供了丰富的交互体验和便捷的数据…...
![](https://img-blog.csdnimg.cn/direct/c776c1e3ef894c7daebcc87de0b06c1b.png)
【Springer出版 | EI稳定检索】第五届物联网、人工智能与机械自动化国际学术会议 (IoTAIMA 2024,7月19-21)
由浙江工业大学主办,第五届物联网、人工智能与机械自动化国际学术会议 (IoTAIMA 2024) 将于2024年7月19-21日在浙江杭州召开。 会议旨在为从事物联网、人工智能与机械自动化的专家学者、工程技术人员、技术研发人员提供一个共享科研成果和前沿技术,了解学…...
![](https://www.ngui.cc/images/no-images.jpg)
LESS 中的变量有什么作用?如何声明和使用变量?
LESS 中的变量可以用来存储和重用值,可以节省代码和提高可维护性。它们可以存储任何类型的值,如颜色、尺寸、字符串等。 在 LESS 中,变量的声明使用 符号,后面跟着变量的名称和值。例如: primary-color: #FF0000; f…...
![](https://www.ngui.cc/images/no-images.jpg)
微信小程序:图片转icon
svg方式 通过svg图片的方式也能实现自定义icon。但是相比第一种方式,svg图片可以修改颜色,并且缩放的失真率也比较低。不过小程序wxss并不支持加载本地的svg图片。我们可以通过在线(https://www.sojson.com/image2base64.html)svg转base64的方式在wxss中…...
![](https://img-blog.csdnimg.cn/direct/c7e5f3d415d6418080969c7a926ec33b.png)
养老院生活管理系统
摘要 随着全球范围内人口老龄化趋势的日益加剧,养老院作为老年人生活的重要场所,其生活管理问题也显得愈发突出和重要。为了满足养老院在日常生活管理、老人健康监护、服务人员管理等多方面的需求,提高管理效率和服务质量。决定设计并实现了…...
![](https://www.ngui.cc/images/no-images.jpg)
MySQL的Docker部署方式
说明:Docker部署MySQL主要是简单快速,不会对电脑系统造成污染。假如你的本地没有Docker,或者你不会使用Docker,则使用PyCharm去启动MySQL,或者直接在本机安装MySQL都是可以的。最重要的是,你要有一个MySQL环境…...
![](https://www.ngui.cc/images/no-images.jpg)
马斯克:若苹果在操作系统层面集成OpenAI,我将禁止苹果设备进入我的公
文|编辑部整理 编辑|大风马斯克:若苹果在操作系统层面集成OpenAI,我将禁止苹果设备进入我的公司马斯克表示,如果苹果与OpenAI合作,在操作系统层面整合ChatGPT,我将禁止那些携带苹果设备的人来访。届时,访客将需要在公司大门口接受针对苹果设备的设备检查。马斯克提及,“…...
![](https://www.ngui.cc/images/no-images.jpg)
产品力拉满的领克07EM-P,誓做20万内最强的混动轿车
在刚刚过去的4月,领克品牌销量18727辆,同比增长34%。在竞争激烈的国内汽车市场中,领克品牌能够取得这样的成绩着实不易。凭借EM-P超级增程电动方案、多维智联的智能座舱以及全域安全设计理念,领克07 EM-P在成为细分市场标杆车型的同时,将成为领克品牌新的销量助推剂,帮助…...
![](https://www.ngui.cc/images/no-images.jpg)
如虎添翼,联想在全球科技版图挥毫泼墨
在经历近一个多月强势上扬后,联想集团在全球科技版图上挥毫泼墨,再迎喜讯。5月29日,联想集团宣布,公司与沙特阿拉伯公共投资基金旗下的Alat埃耐特公司达成重大战略合作,成功获得高达20亿美元的战略投资。据悉,Alat埃耐特全球CEO闵毅达先生曾就职于戴尔公司,负责戴尔在亚…...
![](https://img-blog.csdnimg.cn/direct/df32e63d2e0143999b0e1442e038b8c9.jpeg)
Element-UI 入门指南:从安装到自定义主题的详细教程
Element-UI 是一个基于 Vue.js 的前端组件库,它提供了丰富的 UI 组件,可以帮助开发者快速构建高质量的用户界面。以下是使用 Element-UI 的快速入门指南: 安装 Element-UI Element-UI 是一个基于 Vue.js 的组件库,它提供了丰富的…...
![](https://img-blog.csdnimg.cn/direct/2064ef52b3c24ee0a7e8bc6bbc680a6e.png)
web刷题记录(1)
[GXYCTF 2019]Ping Ping Ping 进入页面,发现有一个传入参数的框,目的就是为了让我们通过参数传入内容来执行代码。这里先传入本地ip,方便后面的ping命令运行 ls命令来查看,目录中的文件 传入后,发现目录下有flag.php,…...
![](https://img-blog.csdnimg.cn/direct/fcbcccdf7a9b4a05b96991c82f277a74.png)
构造+模拟,CF1148C. Crazy Diamond
一、题目 1、题目描述 2、输入输出 2.1输入 2.2输出 3、原题链接 Problem - 1148C - Codeforces 二、解题报告 1、思路分析 题目提示O(5n)的解法了,事实上我们O(3n)就能解决,关键在于1,n的处理 我们读入数据a[],代表初始数组…...