1.【干货|开源MIT Min cheetah机械狗设计(十二)】电机控制器FOC算法剖析
2.干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想
3.干货|开源MIT Min cheetah机械狗设计(三十二)番外篇（8）---Cartographer源码解读
4.干货|开源MIT Min cheetah机械狗设计(二十一)运动控制器源码解析---刚体动力学建模
5.干货|开源MIT Min cheetah机械狗设计(十四)运动控制器源码解析---四足机器人浮动基动力学模型创建

【干货|开源MIT Min cheetah机械狗设计(十二)】电机控制器FOC算法剖析

       电机控制器FOC算法详解

       在开源MIT Min cheetah机械狗设计系列的机械机械第十二部分，我们将深入探讨电机控制器的企业固件源码。核心部分包括四个关键环节：

编码器数据处理：滤波和偏差消除，源码确保编码器数据的生产准确性和稳定性。

FOC算法：焦点（FOC）算法用于精确控制电机，机械机械通过Park和Clark变换，企业gin商城源码结合PID控制，源码实现高效、生产精确的机械机械电机驱动。

PID控制算法：基于位置和速度指令，企业进行实时电流调整。源码

系统通信：电机控制器接收和上传状态，生产与SPIne固件通过特定命令和反馈进行交互。机械机械

       电机控制涉及逆变器、企业无刷电机、源码磁编码器等组件，核心算法通过将期望速度和转矩转换成电机能理解的控制信号，确保机械狗按照预期运行。

       编码器校准涉及相序判断和零位对齐，目力源码通过校正消除误差，确保位置信息的精确。编码器值误差消除则是通过滤波和线性化，将机械误差转换为可管理的电气误差。

       FOC算法部分，包括两相电流采样、DQ0变换、反变换，以及PID控制器的应用，保证了电机在各种条件下的稳定性能。整个控制流程在定时器驱动下运行，体现出了精细的算法设计与调试的重要性。

       后续章节将转向UPboard运动算法程序的解析，这个部分包含动力学模型、步态规划等复杂内容，将逐步揭示机械狗动力系统背后的精密构造。

干货|开源MIT Min cheetah机械狗设计(二十三)运动控制器源码解析---控制和优化思想

       本文将深入探讨开源MIT Min Cheetah机械狗设计的控制与优化策略，重点关注MPC控制和QP优化。csapp源码尽管WBC辅助MPC的内容在前文已有详述，这里主要聚焦控制理论的应用。

       控制的核心在于通过状态方程描述物体运动规律，如牛顿第二定律，将连续问题离散化以适应计算机处理。状态空间表达式，如[公式]，揭示了物理定律，如位移与速度的关系和电容与电流的关系。控制策略的优化在于选择最适合的路径，如LQR关注整个时间的最优，而MPC关注当前时刻对过去的影响。

       优化问题涉及代价函数和权重设置。LQR的代价函数[公式]，权重为[公式]，而MPC更复杂，如[公式]，可加入不等式约束。xssplatform源码MPC通过QP求解器，如Matlab或C++，实现开环优化，允许灵活设置约束条件。

       与传统PID控制相比，现代控制理论如状态空间模型更精确，但在实际应用中，复杂项目如MIT机械狗，可能仍需依赖传统控制如PD，配合现代理论以提升性能。控制算法在无人机、机器人和汽车行业广泛应用，尤其在动力学模型成熟的情况下。

       机器学习和强化学习在参数辨识和环境适应方面提供了补充，但强化学习对于规则明确的环境表现较好，未来有望在机器人领域有更多发展。接下来，我们将转向机械狗的geatpy源码仿真实现，以及后续的扩展功能，如路径规划和激光雷达扫描。

干货|开源MIT Min cheetah机械狗设计(三十二)番外篇（8）---Cartographer源码解读

       干货|开源MIT Min cheetah机械狗设计(三十二)番外篇（8）---Cartographer源码解读

       在MIT Min cheetah机械狗的开源设计中，第篇番外篇第8篇深入解析了传感器数据的流向。通常，正向讲解难以全面理解程序设计思路，因此我们将逆向还原设计过程。

       数据首先从传感器获取点云，通过trajectory_builder_->AddSensorData(sensor_id, timed_point_cloud_data)这一过程。在这个函数中，数据被进一步处理，通过MakeDispatchable函数，数据被封装为Dispatchable实例，以便在CollatedTrajectoryBuilder::AddData中处理不同类型的传感器数据。

       数据接着被添加到OrderedMultiQueue中，队列满后会阻塞数据的插入，直到队列空间允许。在Dispatch函数中，数据被组织成一个Map结构，存储每个传感器的数据和回调函数。回调函数HandleCollatedSensorData负责计算数据利用率和将数据传递给GlobalTrajectoryBuilder。

       逆向来看，设计者可能会将程序分为算法部分Cartographer和数据交互部分Cartographer_ros。Cartographer侧重于核心算法，如LocalTrajectoryBuilder和PoseGraph，而Cartographer_ros则负责数据的订阅、发布和类的实例化。SensorBridge和MapBuilderBridge作为桥梁，将传感器数据和Cartographer的内部结构连接起来。

       软件架构清晰地展示出传感器数据如何层层传递，每个类都扮演着数据流转的桥梁角色。Cartographer_ros负责传感器数据的接入和结果的输出，而内部的C++实现则体现了谷歌工程师的高水准。

       最后，下一篇文章将揭示数据如何在前端与局部地图进行匹配的细节。

干货|开源MIT Min cheetah机械狗设计(二十一)运动控制器源码解析---刚体动力学建模

       本篇内容深入探讨了开源MIT Min cheetah机械狗设计系列文章中的刚体动力学模型。刚体动力学模型是机械狗设计的核心，是麻省理工团队独立开发的动力学算法的重要基础。动力学算法的理论依据参考了Roy Featherstone的文章《Rigid Body Dynamics Algorithms》，该文章提出了一种新的六维运动空间和力空间，概念类似于运动旋量和力旋量。

       商业动力学运算库如CoppeliaSim的Bullet 2.和单独的动力学求解库pinocchio、frost、drake等在机械狗设计中得到了广泛应用。机械狗设计所用的动力学算法设计思想包含牛顿欧拉方程、坐标系选取问题、六维运动空间等核心概念。牛顿欧拉方程是力学基础，描述了力与加速度和扭矩之间的关系，包括了定点和定轴转动的公式。坐标系的选择对动力学和运动学分析至关重要，不同坐标系的设计使计算变得更加高效。Pl¨ucker坐标系的引入实现了平动和转动的统一表示，简化了动力学方程，方便了后续程序的编写。

       在六维运动空间中，刚体的速度和空间力被统一表示，使得动力学分析更加简洁。动力学模型编程中，动力学公式和运动学树的概念被整合进代码中，以方便处理和编程。文章最后指出，动力学知识的探讨还将继续，后续计划将增加视觉感知、激光雷达扫描等机械狗的智能功能，以提升其性能。

干货|开源MIT Min cheetah机械狗设计(十四)运动控制器源码解析---四足机器人浮动基动力学模型创建

       干货MIT Min Cheetah机械狗设计详解（十四）：动力学模型创建

       对于机器人爱好者和初入机器人领域的专业人士，开源MIT Min Cheetah系列设计无疑是一份宝贵资源。本文将深入探讨RobotRunner核心模块，包括数据更新、步态规划、控制算法和命令发送，尤其是关键的浮动基动力学模型构建。

       首先，我们从单刚体动力学模型开始，简化机械狗的复杂动态，计算足底反作用力，但此方法在高速运动时并不适用。为解决高速情况下的适应性，浮动基动力学模型引入，它在单刚体基础上优先满足动态响应，如WBC控制器的需要。模型创建包括：

       浮动基动力学模型参数设置：定义机械狗整体的配置空间和关节自由度，引入6个表示身体浮动基的自由度。

       广义惯量和空间惯量：每个连杆和关节电机的广义惯性张量（包括质量、质心位置和旋转惯量）是动力学计算的基础。

       连杆位置向量：这些参数用于后续的运动旋量计算。

       浮动基动力学模型：以拉格朗日单腿动力学为基础，考虑机械狗整体的运动状态和力矩映射。

       动力学方程的构造：包括动力学方程组、约束方程和构型角度约束，以及外力和转矩的关系。

       代码中，通过`forwardKinematics()`函数计算关节和连杆的空间变换，为求解质量矩阵、非惯性力矩阵和接触雅可比矩阵做准备。在冗余自由度的系统中，浮动基动力学模型与WBC结合，最终计算出关节的控制参数。

       总结，浮动基动力学模型的创建是实现高精度控制的关键步骤，它为后续的动力学方程求解提供了关键参数。理解这些核心概念，将有助于深入理解四足机器人动态控制的奥秘。