法奥机器人学习使用

法奥机器人学习使用

1 视频课程

2 学习工具

虚拟机环境

3 拖动锁定

限制拖动模式下机器人的各向自由度,为0则可以自由拖动。

在这里插入图片描述

4 工具坐标

对机器人末端安装的工具进行标定:拖动机器人以不同姿态多次前往同一个点;
6点法相对4点法还会标定姿态;

在这里插入图片描述

5 矩阵运动功能—码垛

在这里插入图片描述


在这里插入图片描述

6 单点螺旋线

提前标定螺旋线起点

在这里插入图片描述


轨迹绘制

在这里插入图片描述

7 版本号及软件升级

查看软件版本号

在这里插入图片描述


快速备份复制或应用机器人数据

在这里插入图片描述


软件升级

在这里插入图片描述

8 工件坐标系

原点-x轴-z轴

在这里插入图片描述


原点 - X轴 - XY正平面

在这里插入图片描述

9 变量系统

lua变量声明
m = 0
n = “test”

变量查询(在面板可看)
RegisterVar(“number”,“m”)
RegisterVar(“string”,“n”)

系统变量
系统变量掉电保持

在这里插入图片描述

10 socket通信

10.1 作为客户端通信

SocketOpen(ip,port,“socket_0”) // 通道号(“socket_0”、“socket_1”、“socket_2”、“socket_3”)
SocketSendString(“hello,this is fa tcp!”,“socket_0”,0) // 是否阻塞(0:阻塞;非0:非阻塞,最大等待时长)
SocketReadString(“socket_0”,0)
SocketClose(“socket_0”)
n,svar = SocketReadAsciiFloat(1,“socket_0”,0) //n=1,表示成功返回,svar返回的值,1读取的数据数量
ip ="192.168.58.2" port =8888 tcp =0while1doif tcp ==0 then tcp =SocketOpen(ip,port,"socket_0") elseif tcp ==1 then SocketSendString("hello,this is fa tcp!","socket_0",0) res =SocketReadString("socket_0",0)if #res==0 then SocketClose("socket_0")elseRegisterVar("string","res") end end WaitMs(1000) end 

10.2 作为服务端通信

SocketServerListen(port) //监听端口
clientID = SocketServerAccept() //接受连接
res = SocketServerSendString(“hello world”,clientID,0) //发送字符,通道号,阻塞否
SocketServerClose(clientID)
str = SocketServerReadString(clientID,0) //阻塞否
port =8888 clientID =0SocketServerListen(port)while1doif clientID ==0 then clientID =SocketServerAccept() elseif type(clientID)=="number" then if clientID>0 then RegisterVar("number","clientID") res =SocketServerSendString("hello world",clientID,0)if res ==0 then -- 返回值为0表示发送失败 SocketServerClose(clientID) clientID =0else--发送成功则接受返回值 str =SocketServerReadString(clientID,0)if #str==0 then -- 返回值长度0,读取失败,关闭通道 SocketServerClose(clientID)elseRegisterVar("string","str")--打印返回值 end end end end end 

11 外部控制

外部控制主程序

在这里插入图片描述


在这里插入图片描述


外部控制回原点

在这里插入图片描述

12 Modubus tcp主站、从站

无效及报错
链接

13 常用设置

碰撞等级:当运动过程的力大于设定值时执行停止等策略

在这里插入图片描述

软限位:

在这里插入图片描述


末端负载:

在这里插入图片描述


摩擦力补偿:拖动模式下的摩擦阻力补偿

在这里插入图片描述


在这里插入图片描述


机器人安装方式

在这里插入图片描述

14 圆弧运动

首先PTP到 起点;
圆弧运动指定中间点和终点;

while1doPTP(C1,100,-1,0)ARC(C2,0,0,0,0,0,0,0,C3,0,0,0,0,0,0,0,100,-1) end 

15 可配置输入 CI

启动:运行示教的程序
启动主程序:运行设置的主程序

在这里插入图片描述

16 焊机功能

1 配置焊机与机器人通信的IO口及功能

在这里插入图片描述

自动配置了IO功能

在这里插入图片描述


在这里插入图片描述


2 编写焊机示教程序

在这里插入图片描述


3 可以通过AO口输出焊机电流或电压

在这里插入图片描述

17 tpd轨迹复现

1、记录轨迹
2、代码轨迹复现

首先移动到轨迹起点,然后再复现轨迹

18 mode、pause、wait、call等指令

Mode(1):代码结尾机器人系统进入手动模式

在这里插入图片描述

19 状态查询

在这里插入图片描述

20 后台程序上电自动运行

在这里插入图片描述

21 获取机器人当前位置

xyz,rx,ry,rz

x,y,z,rx,ry,rz = GetActualToolFlangePose()

关节数据

j1,j2,j3,j4,j5,j6 = GetActualJointPosDegree()

Read more

LLaMA Factory多模态微调实践

LLaMA Factory 多模态微调实践 一、前提准备:环境与数据深度适配 (一)运行环境技术规格 1. 硬件配置底层逻辑 * GPU 选型依据: * 推荐 24GB 显存的 A10(ecs.gn7i-c8g1.2xlarge)。 * 核心原因:Qwen2-VL-2B 模型加载后显存占用约 8-10GB,全参微调过程中梯度计算、优化器状态存储需额外 10-12GB 显存,24GB 可避免显存溢出(OOM)。 * 若使用 16GB 显存的 T4 等型号,需启用梯度检查点(gradient checkpointing),但会增加约 20% 训练时间。 * CPU 与内存配套: * 建议 8 核 CPU + 32GB 内存,避免数据加载(

终极语音转文字与说话人分离完整指南:Whisper Diarization快速入门

终极语音转文字与说话人分离完整指南:Whisper Diarization快速入门 【免费下载链接】whisper-diarizationAutomatic Speech Recognition with Speaker Diarization based on OpenAI Whisper 项目地址: https://gitcode.com/GitHub_Trending/wh/whisper-diarization 在当今数字化办公环境中,语音转文字与说话人分离技术正成为提升工作效率的关键工具。Whisper Diarization作为基于OpenAI Whisper的开源项目,完美解决了多说话人场景下的语音识别难题,让您能够快速获得带说话人标签的完整转录文本。 🎯 项目核心价值:为什么选择Whisper Diarization 传统语音识别工具在处理多人对话时往往无法区分不同说话者,导致转录结果难以阅读和分析。Whisper Diarization通过整合顶尖的语音处理技术,提供了以下独特价值: * 智能说话人识别:自动区分音频中的不同说话者 * 精准时间戳对齐

llama.cpp加载多模态gguf模型

llama.cpp预编译包还不支持cuda12.6 llama.cpp的编译,也有各种坑 llama.cpp.python的也需要编译 llama.cpp命令行加载多模态模型 llama-mtmd-cli -m Qwen2.5-VL-3B-Instruct-q8_0.gguf --mmproj Qwen2.5-VL-3B-Instruct-mmproj-f16.gguf -p "Describe this image." --image ./car-1.jpg **模型主gguf文件要和mmporj文件从一个库里下载,否则会有兼容问题,建议从ggml的官方库里下载 Multimodal GGUFs官方库 llama.cpp.python加载多模态模型 看官方文档 要使用LlamaChatHandler类,官方已经写好了不少多模态模型的加载类,比如qwen2.5vl的写法: from llama_cpp import Llama

Stable Diffusion(SD)完整训练+推理流程详解(含伪代码,新手友好)

Stable Diffusion(SD)完整训练+推理流程详解(含伪代码,新手友好)

Stable Diffusion(SD)的核心理论基石源自论文《High-Resolution Image Synthesis with Latent Diffusion Models》(LDM),其革命性创新在于将扩散模型从高维像素空间迁移至 VAE 预训练的低维潜空间,在大幅降低训练与推理的计算成本(相比像素级扩散模型节省大量 GPU 资源)的同时,通过跨注意力机制实现文本、布局等多模态条件控制,兼顾了生成质量与灵活性。本文将基于这一核心思想,从数据预处理、模型训练、推理生成到 LoRA 轻量化训练,一步步拆解 SD 的完整技术流程,每个关键环节均搭配伪代码,结合实操场景,理解 SD 的工程实现。 论文地址:https://arxiv.org/pdf/2112.10752 论文代码:https://github.com/CompVis/latent-diffusion