【簡介】本項目使用瑞薩的RA6M4開發板作為控制和數據處理的單元，使用温濕度傳感器去監測周圍的環境參數，在OLED屏幕上完成傳感器數據和相關信息的顯示。嘗試利用上位機實現對於温度、濕度等相關環境參數監測。【設計框架】 【項目説明】RA 產品家族單片機 (MCU) 於 2019 年 10 月推出，豐富了瑞薩的 32 位 MCU 系列產品。 除了 RA
之前收到了一位粉絲朋友的問題，是需要了解温度相關的PID控制，主要是關於PID根據温度進行風扇轉速的調節。針對這個粉絲的問題，我覺得也是比較感興趣的，加上自己也是研究PID控制這塊，所以也花了一些時間去查閲了相關的資料，加上自己的思考寫了這一篇文章，有不正確的地方，希望大家可以多理解和進行指正。 同樣是
之前有一位粉絲朋友讀過我寫的PID文章後，覺得對自己的幫助挺大的，後面也是向我建議關於PID自整定這塊的知識，是否可以不需要提前自整定，而且在不實現超調的情況下，進行PID的實時自整定。對於這個提議我覺得挺有意思的，也是查閲一些相關的文獻和技術資料，針對這個提議做一下自己的分享。下面是我和這位粉絲朋友的部分聊天記錄。 其實，正如這位粉絲所提到的PID
馬達驅動芯片的核心作用是接收控制信號，並輸出足夠的電壓 / 電流來驅動電機運轉，同時集成保護、調速、換向等功能，本質是一個功率放大與控制的專用集成電路（IC）。它能解決單片機、MCU 等控制芯片輸出功率不足的問題，廣泛用於直流電機、步進電機、無刷直流電機（BLDC）等驅動場景。 一、 核心工作邏輯 馬達驅動芯片的工作流程可簡化為“信號輸入 →
電子煙控制芯片是電子煙的 “神經中樞”，負責感知用户抽吸、精確控制加熱、管理電池與安全保護，通過PWM動態調節功率與温度，以保障霧化效率、口感一致性與使用安全。以下是其核心工作原理的詳細拆解： 一、核心模塊與功能 控制芯片通常集成以下關鍵模塊，協同完成電子煙的全流程控制：
鋰電池充電芯片是鋰電池充電管理的核心器件，其核心功能是將輸入電壓（如 USB 5V、適配器 12V 等）轉換為適合鋰電池充電的恆流 / 恆壓（CC/CV）信號，同時實現過壓、過流、過温、反接等保護，確保充電安全、高效。以下從核心工作邏輯、充電階段、關鍵模塊原理、典型拓撲四個維度詳細解析： 一、核心工作邏輯 鋰電池（如鋰鈷酸、磷酸鐵鋰）的充電特性
Buck 電路是嵌入式 / 硬件設計中最常用的非隔離型 DC-DC 降壓轉換器，核心功能是將輸入高壓直流（Vin）轉換為更低的穩定直流輸出（Vout Vin），廣泛應用於 STM32、MCU、傳感器、電源模塊等硬件設備中（如 5V 轉 3.3V 給單片機供電、12V 轉 5V 給 USB 設備供電）。 一、核心原理（通俗版 + 專業版） 1.
LDO的概述 LDO是一種低壓差線性穩壓器，相對於傳統的線性穩壓器來説，輸入輸出壓差更小。LDO是一種降壓類電源芯片。 LDO 是Low Dropout Regulator的縮寫，中文譯為低壓差線性穩壓器，是電源管理領域中常用的直流電壓轉換芯片，核心功能是將不穩定的輸入直流電壓（Vin）轉換為穩定、精準的輸出直流電壓（Vout），且輸入與輸出電壓之間的差值（壓差 Vd
目前電子煙在全球市場的表現非常不錯，很多國產電子煙廠家都有非常不錯的產品，而屏幕驅動方案是電子煙智能化的重要組成部分，今天就給大家帶來電子煙的4種主流屏幕驅動方案(含2025年最新版方案)。 方案一、LED顯示方案+語音播報集成方案 WT255F02KD WT588F02KD內置16位DSP核心，32MHz的內部振盪頻率，2M bit的Flas
1. 無刷電機驅動原理 上方開關是 n 極，中間是控制的相，下面開關是 s 極，兩個電磁鐵共同作用轉動轉子。 工作原理 電源電路為整個系統供電 霍爾傳感器檢測無刷電機轉子的位置，產生位置信號 單片機接收位置信號，經過邏輯判斷，生成相應的控制信號 三相橋根據控制信號，將直流電源轉換為
LDO的概述 LDO是一種低壓差線性穩壓器，相對於傳統的線性穩壓器來説，輸入輸出壓差更小。LDO是一種降壓類電源芯片。 LDO 是Low Dropout Regulator的縮寫，中文譯為低壓差線性穩壓器，是電源管理領域中常用的直流電壓轉換芯片，核心功能是將不穩定的輸入直流電壓（Vin）轉換為穩定、精準的輸出直流電壓（Vout），且輸入與輸出電壓之間的差值（壓差 Vd
2.1 創建 ROS 功能包 ROS（Robot Operating System）是一種開源的機器人軟件框架，廣泛用於機器人開發中。通過使用 ROS，開發者可以輕鬆創建和管理機器人應用程序。在本節中，我們將介紹如何創建一個 ROS 功能包並實現一些基本功能。 2.1.1 使用 ROS 主題 ROS 主題（Topic）是一種發佈/訂閲機制，允許節點之間進行通信。
0. 簡介 深度學習中做量化提升運行速度是最常用的方法，尤其是大模型這類非常吃GPU顯存的方法。一般是高精度浮點數表示的網絡權值以及激活值用低精度（例如8比特定點）來近似表示達到模型輕量化，加速深度學習模型推理，目前8比特推理已經比較成熟。比如int8量化，就是讓原來32bit存儲的數字映射到8bit存儲。int8範圍是[-128,127]， uint8範圍是[0,255]
對於點雲處理而言，最簡單也逃不過的就是點雲轉換了，我們就從點雲轉換開始，來一步步完成點雲加速的學習。點雲基礎轉換是3D點雲處理中的一個重要步驟。它的主要目的是將點雲從一個座標系轉換到另一個座標系中，通常是為了方便後續處理或者顯示。在實際應用中，點雲基礎轉換通常包括平移、旋轉、縮放等操作。這裏對應了pcl::transformPointCloud這種方法 1. CUDA與Th
低壓降穩壓器 (LDO)是一種用於調節較高電壓輸入產生的輸出電壓的簡單方法。在大多數情況下，低壓降穩壓器都易於設計和使用。然而，如今的現代應用都包括各種各樣的模擬和數字系統，而有些系統和工作條件將決定哪種LDO最適合相關電路，因此，現在我們需要關注這些決定性因素。 壓降電壓VDO，是指為實現正常穩壓，輸入電壓VIN必須高出所需輸出電壓VOUT(nom) 的
2.1 創建 ROS 功能包 ROS（Robot Operating System）是一種開源的機器人軟件框架，廣泛用於機器人開發中。通過使用 ROS，開發者可以輕鬆創建和管理機器人應用程序。在本節中，我們將介紹如何創建一個 ROS 功能包並實現一些基本功能。 2.1.1 使用 ROS 主題 ROS 主題（Topic）是一種發佈/訂閲機制，允許節點之間進行通信。
一、神經網絡的組成 人工神經網絡（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經網絡行為特徵，進行分佈式並行信息處理的算法數學模型。 這種網絡依靠系統的複雜程度，通過調整內部大量節點之間相互連接的關係，從而達到處理信息的目的，並具有自學習和自適應的能力。神經網絡類型眾多，其中最為重要的是多層感知機。為了詳細地描述神經網絡，我們
波特圖（Bode Plot）是一種用於描述線性控制系統頻率響應的圖形表示方法，通常用於分析和設計控制系統。它以控制系統的傳遞函數（或頻域傳遞函數）為基礎，將系統的幅頻特性（振幅-頻率響應）和相頻特性（相位-頻率響應）以圖形的方式展示出來。可以根據波特圖理解和評估系統的穩定性、性能和魯棒性。 波特圖可以指導控制器的設計。通過調整控制器的參數，可以改變系統的頻率響應，以滿足特定
一、codigger的介紹 codigger是一款分佈式操作系統，主要是便於進行個人移動化辦公、在線協同辦公、開發和娛樂的私人應用。 收到codigger開發者朋友的邀請，於是進行了這款產品的升級體驗，接下來就簡單介紹一下自己的體驗過程吧。 二、登錄系統 首先，我根據提供的專屬賬號和密碼登錄進了系統，進去之後，感覺整體的設計非常的美觀。
前言 這篇文章我開始和大家一起探討機器人SLAM建圖與自主導航 ，在前面的內容中，我們介紹了差速輪式機器人的概念及應用，談到了使用Gazebo平台搭建仿真環境的教程，主要是利用gmapping slam算法，生成一張二維的仿真環境地圖 。我們也會在這篇文章中繼續介紹並使用這片二維的仿真環境地圖，用於我們的演示。 教程 SLAM算法的引入 （1）SLAM：S
前言 本篇文章介紹的是ROS高效進階內容，使用URDF 語言（xml格式）做一個差速輪式機器人模型，並使用URDF的增強版xacro，對機器人模型文件進行二次優化。 差速輪式機器人：兩輪差速底盤由兩個動力輪位於底盤左右兩側，兩輪獨立控制速度，通過給定不同速度實現底盤轉向控制。一般會配有一到兩個輔助支撐的萬向輪。 此次建模，不引入算法，只是把機器人模型的樣子做出來
前言 從本文開始，我們將開始學習ROS機器視覺處理，剛開始先學習一部分外圍的知識，為後續的人臉識別、目標跟蹤和YOLOV5目標檢測做準備工作。我採用的筆記本是聯想拯救者遊戲本，系統採用Ubuntu20.04，ROS採用noetic。 顏色編碼格式，圖像格式和視頻壓縮格式 （1）RGB和BGR：這是兩種常見的顏色編碼格式，分別代表了紅、綠、藍三原色。不同之處在於，
大家好，我是夢筆生花，我們一起來動手創建一個兩輪差速的移動機器人fishbot。 機器人除了雷達之外，還需要IMU加速度傳感器以及可以驅動的輪子，我們曾介紹過機器人學部分，曾對兩差速模型進行過介紹，所以我們還需要再創建兩個差速驅動輪和一個支撐輪。 所以接下來夢筆生花將帶你一起給機器人添加如下部件和關節： IMU傳感器部件與關節 左輪子部件與關節
一、引言隨着機器人技術和人工智能的快速發展，ROS2（機器人操作系統 2）作為新一代機器人開發框架，為機器人應用提供了更強大的功能和更靈活的架構。強化學習作為人工智能領域的重要分支，能夠讓機器人通過與環境交互自主學習最優策略，在 ROS2 平台上的應用愈發廣泛。本文將介紹 ROS2 強化學習的學習路線以及相關案例。二、ROS2 強化學習學習路線（一）基礎理論知識強化學習基礎：深入
