在当今数字化时代，为微信群添加机器人可以带来诸多便利和乐趣。以下是一些常见的添加方式。 一种方式是通过专业的机器人平台。许多平台提供了丰富的功能和定制化选项。我们在平台上注册账号后，按照其引导步骤创建机器人，并获取相关接入信息，然后在微信群中进行添加

公司有一个机器人的项目，研发，需要有ros等相关经验的人，不需要学历，只有有这方面爱好，爱钻研这方面的人都可以。有兴趣的人可以私信联系。

工作内容： 1、根据产品需求，完成硬件需求分解，总体硬件方案设计 2、根据产品总体硬件方案，完成原理图设计和硬件单板调试工作，并输出各项技术文档 3、完成硬件方案、原理图、PCB等关键工作 4、参与硬件解决方案评估，器件选型，设备调试 5、完成产品测

这个程序实现的效果是能用你在代码中写入的图片名做成一个跟写入的图片对应的一个词云（是新创造出一个文件夹），是要用到第三方库的。

基于最近的测试，得到了一种粗略控制的算法，其控制效果适合单线路和急转弯的情况，本人认为可以稍微进行改进适用于十字路口等复杂轨迹的单目视觉循迹运行，本篇是对python机器人编程——差速机器人小车的控制，控制模型、轨迹跟踪，轨迹规划、自动泊车（中）未完成部分给补充，也提供了一种比较可靠和新的思路——我们把它暂且命名为《基于轨迹与路面重心偏离度误差的预测自动差速小车循迹控制》。如上图所示，该算法可以在速度360m/h的情况下，比较粗略的自动转过一个大于90度的急转弯。

目前，python毋庸置疑是人工智能的首选语言，很多著名的人工智能框架都能支持python语言，同时，python作为一种“胶水”语言，可以支持c语言等其它语言的调用，方便适合多语言的混合编程。基于这样一个事实，我们技术团队当初选编程语言时候，最终选择了python作为机器人的编程语言。随着通用计算机硬件技术的发展多核处理、GPU平行计算等日新月异，运行大规模的图像处理算法越来越容易在本地实现，云+边缘计算的计算范式也将成为机器智能控制系统的主流方案。

今天亲手体验了一下meta公司发布的Segment Anything，我们认为是cv界的chatgpt，这个模型太厉害了，厉害到可以对任意一张图进行分割，他们的网站上的例子也是挺复杂的，能够说明其强大的能力—demo链接，人工智能的技术迭代正是太快了。

在深度学习界pytorch框架用得人越来越多，无论是CV机器视觉、NLP还是自然语言处理，目前主流的大的模型如GPT模型等也很多用pytorch。比如清华大学的单机GPT模型chatGLM，用的是GPU版本的pytorch。本人以前用的时keras，第一次装pytorch，记录一下安装的步骤，便于以后参考。

安装了pytorch框架以后，就可以玩一些开源的深度学习框架了，比如YOLO8，是基于pytorch框架的，关于如何安装pytorch框架，可以参考上篇文章链接《pytorch深度学习框架CUDA版本环境安装记录》经过一番改造，用YOLO8做了一个实时在线视频物体检测的程序，结果显示，yolo8的实时性非常不错，可以用于机器人等实时的场景。后续可以用YOLO8开发一些好玩的东西了，尽请期待！关注！

如果机器人工程师缺乏机器人学理论的支撑和足够的认识，那么随着机器人项目的深入推进，可能会越走越艰难，所谓万丈高楼平地起，必须得打好比万丈高楼还要夯实得地基，大厦才能牢固。本篇对六轴机械臂的基础建模知识进行了较为彻底的梳理，参考了较多的网上资料，发现，很多文章或者教程并没有把DH建模这个事说得特别清楚，这里对一些注意点或者所谓的坑做了一些着重说明，仅供参考。

实时物体检测已经成为众多邻域应用的关键组成部分，这些领域包括：自动驾驶车辆、机器人、视频监控和增强现实等。在众多物体检测算法中，近年来，YOLO（You Only Look Once）框架以其卓越的速度和准确性脱颖而出，实际证明能够快速可靠地识别图像中的物体。自诞生以来，YOLO经过了多次迭代，每个版本都在前一版本的基础上进行改进，不断在提高性能，截至本文发稿，YOLO框架从V1已经更新到了v8。

本文主要介绍如何利用socket实现实时接收服务端发送的TCP消息。

我们在上篇名叫python+人脸识别+opencv实现真实人脸驱动的阿凡达（上博文里已经实现了基于三角映射的仿射变换的图像的任意变形算法，可以对图片的任意区域进行三角映射至新的区域，这样只要对人脸（或者图片）根据特征结构点进行足够细致的分解理论上就可以进行人脸类似跟随相机的运动效果，或者是局部的运动。这样的算法经过测试运行性能上面也是满足实时性的需要。

本系列篇主要讲述如何通过单片机、led点阵、和键盘、语音输出模块等硬件搭建一个《儿童算术智能出题机》，该机器可以用于幼儿园和1-3年级的小学生的两位数加减乘除答题训练。记录下来，适用于初级硬件创客入门提高。“工欲善其事，必先利其器”。硬件的硬连接搞定后，着重就要对各硬件进行驱动，使其有利于本项目的方式工作起来。这里几个模块的驱动本质上其实就是通过控制、读取IO接口的高低电平变化，来使得主板芯片与模块芯片（或电路）进行有规律的交互。

我们在此前的名叫python+opencv实现人脸微整形博文里已经简单地实现了人脸图像的微形变，为人脸驱动一个虚拟人脸提供了一些基础，但是运行性能上面需要优化，因为要想用人脸特征点实时驱动，需要非常快速的响应时间。

本篇来讨论一下在固定场景下，如何仅通过单目视觉，实现差速小车的自动停靠，这种方式实现成本比较低，可适应的范围比较广，比如可以应用于小车的自动充电桩寻找、工位的最准等应用场景。我们还是尝试应用有限、浅显的数学对固定场景下，通过坐标的变换、几何的分析、结合单目摄像头获取的图像，进行相机位置（或者小车的位置）的估计，并控制差速小车行驶至我们预设的位置停靠。本篇根据上篇已经识别的位置，进一步实现小车的控制部分。

本篇来讨论一下在固定场景下，如何仅通过单目视觉，实现差速小车的自动停靠，这种方式实现成本比较低，可适应的范围比较广，比如可以应用于小车的自动充电桩寻找、工位的最准等应用场景。我们还是尝试应用有限、浅显的数学对固定场景下，通过坐标的变换、几何的分析、结合单目摄像头获取的图像，进行相机位置（或者小车的位置）的估计，并控制差速小车行驶至我们预设的位置停靠。本篇先来构建小车位置的估计。这样，在固定场景下，以及相机为理想模型下，我们通过对相机成像原理模型，构建了本项目所需的位置估计算法。

基于目前的研究演进，我们还是不能把python机器人编程——差速机器人小车的控制，控制模型、轨迹跟踪，轨迹规划、自动泊车（中）未完成部分给补上，本篇先把一些基础的问题给先解决。那就是非常常见的agv无人控制方式——循迹自动驾驶。本篇是利用单目视觉去实现简单的预定轨迹（这里指轨迹没有交叉、突变等情况），小车自动跟随驾驶。这个实现后，我们再接着开个中篇来处理复杂轨迹（比如，十字交叉、断线等）的自主决策和驾驶问题。等处理完了这个，再去研究没有轨迹引导时的一些小车自动形式实现方式，最终能够把之前埋得坑给填平。

本篇是《python机器人编程——差速机器人小车的控制，控制模型、轨迹跟踪，轨迹规划、自动泊车》系列的姊妹篇。来通过python去实现vrep下仿真小车的联动控制，为该篇提出的无人控制方法提供一个验证的环境，从而可以完善相应的控制方式，进一步深入探索。