麦克纳姆轮底盘运动控制实例

柔性接触的力位混合控制原理解析

任何时刻，末端的“工具坐标系”都能从正运动学算出来，它随着姿势实时变化。我们就在这个坐标系里做文章。

机械臂末端坐标系表达方式

方向向量/法向向量 (Direction Vector / Normal Vector)

机械臂电机选型时的扭矩计算

扭矩的本质是一个力让物体绕着某个轴转动的能力，其计算公式非常简单，是物理学的核心概念：

离线模仿学习的原理和步骤

Offline IL = 在静态数据集上加约束（保守 Q / 隐变量 / 扩散），防止策略在数据集外的状态"乱猜"，核心是"学分布、不学单点"。

逆强化学习（IRL：模仿学习)的原理和步骤

IRL = 外层迭代反推 reward + 内层跑 RL 求状态分布，核心是"专家做对了的事 reward 高，做错了 reward 低"，但内外双层循环导致...

生成对抗模仿学习(GAIL)的原理和步骤

GAIL = GAN（判别器学 reward）+ RL（PPO 更新策略），不需要显式 reward 函数，也不需要专家在线标注，但训练不稳定且计算成本高。

数据集聚合(DAgger：模仿学习)的原理和步骤

行为克隆（BC） 失败的根因： 训练时只见过专家的状态分布，测试时策略偏离专家轨迹后，进入从未见过的状态，错误逐帧累积，一发不可收拾。

行为克隆（BC：模仿学习）步骤及原理解析

行为克隆的本质是把模仿学习转化为监督学习问题，下面从"在做什么"和"怎么做"两个维度，结合工程实践详细展开。

模仿学习常用方法对比

模仿学习 (Imitation Learning, IL) 的核心是 从专家（人类/高水平策略）的演示数据中学习策略 ，绕过直接探索 reward 的难题。以...

粒子群算法详解

粒子群算法是一种基于群体智能的随机优化技术，它通过模拟鸟群、鱼群等生物群体的社会行为来寻找最优解。下面从原理、步骤、优缺点和应用四个方面详细介绍。

蚁群算法的原理与实践解析

蚁群算法（Ant Colony Optimization, ACO）是一种模拟真实蚂蚁觅食行为的群体智能算法。它巧妙地利用了蚂蚁在路径上留下的“信息素”作为间...

差分进化算法（DE）详解

差分进化算法是一种基于群体差异的随机优化算法，由Storn和Price于1995年提出。它因结构简单、控制参数少、鲁棒性强而成为进化算法家族中的重要成员，尤其...

群体智能优化算法原理及应用对比

若需处理多目标，可考虑 NSGA-II（基于GA）、MOPSO（基于PSO）、DEMO（基于DE）、MOACO（基于ACO）等专用变体。

MOEA/D与NSGA-II在多目标优化中的适用性

MOEA/D和NSGA-II都是多目标进化算法中的经典代表，但它们解决问题的思路截然不同。简单来说， NSGA-II是基于“支配关系”直接筛选好解，而MOEA...

帕累托法则在多目标优化中的应用

基于Pareto支配的优化算法是多目标优化领域中最主流、最成熟的一类方法，核心思想很直观： 直接利用"帕累托支配"这个标准来比较解的优劣，通过保留"不被支配"...

帕累托解的定义与核心思想

帕累托解 就是多目标优化问题中那个“ 没有办法再好了 ”的状态，不像单目标问题只有一个最优答案，而是一个由多个“好”解组成的集合。下面我将从它的定义、核心思想...

RLHF基于人类反馈的强化学习概述

RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习），它通过人类手把手教的方式，用强化学习...

强化学习的主流方法概述

RL是 Reinforcement Learning（强化学习） 的缩写，是机器学习三大范式之一（另外两个是监督学习和无监督学习），它的灵感来源于行为心理学： ...

深度学习主流方法概述

深度学习是基础学习机制，简单来说，深度学习是机器学习的一个子集，通过构建包含多个处理层（即“深度”）的神经网络模型，来自动从海量数据中学习更抽象、更高层级的特征...