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

CVPR 2026 Oral实测|YOLO-DRONE:无人机低空巡检的“性能天花板”,小目标召回率狂升39%(清华团队力作,电力部署实操全解析)

CVPR 2026 Oral实测|YOLO-DRONE:无人机低空巡检的“性能天花板”,小目标召回率狂升39%(清华团队力作,电力部署实操全解析)

前言:作为长期深耕无人机计算机视觉落地的算法工程师,我始终认为,无人机低空巡检场景的核心痛点,从来不是“模型精度多高”,而是“能否适配复杂飞行工况下的实战需求”。无论是电力巡检中的导线断股、绝缘子破损,还是安防巡检中的人员遗留、设备异常,这些目标往往尺寸极小、飞行过程中受风速扰动导致画面模糊、目标尺度动态变化,传统YOLO系列模型要么小目标漏检严重,要么抗扰动能力弱,要么实时性不足,根本无法满足工业级巡检的落地要求。 2026年CVPR大会上,清华大学团队提出的YOLO-DRONE模型惊艳全场,成功入选Oral(口头报告),成为低空巡检领域唯一入选的单阶段检测模型。这款专为无人机低空巡检设计的多尺度动态感知模型,创新性融合自适应尺度感知头(ASPH)与风速补偿特征对齐模块,彻底解决了传统模型“小目标漏检、抗扰动差、实时性不足”三大痛点——在UAV-DT无人机巡检专用数据集上,小目标召回率直接提升39%,同时支持1080p@45FPS实时处理,目前已正式部署于国内某省级电力巡检系统,实现输电线路的自动化巡检落地。 我第一时间获取了YOLO-DRONE的技术论文及开源代码,搭建了模拟无

西门子大型程序及Fanuc机器人焊装系统集成 - 包含多项Profinet通讯与智能模块

西门子大型程序及Fanuc机器人焊装系统集成 - 包含多项Profinet通讯与智能模块

西门子大型程序fanuc机器人焊装 包括1台 西门子1500PLC程序,2台触摸屏TP1500程序,9个智能远程终端ET200SP Profinet连接 15个Festo智能模块Profinet通讯 10台Fanuc发那科机器人Profinet通讯 3台G120变频器Profinet通讯 2台智能电能管理仪表PAC3200 4个GRAPH顺控程序 图尔克RFID总线模组通讯 和MES系统通讯,西门子安全模块 内含GSD文件,可供其他项目使用 程序经典,结构清晰,SCL算法,堆栈,梯形图,结构化编程,想学习项目累计经验时间可以借鉴思路博途v15.1以上可以打开。 最近在搞一个挺有意思的项目,用西门子1500PLC搭了个Fanuc机器人焊装产线。这系统里光Profinet设备就三十多个,从ET200SP到发那科机器人,再带G120变频器,活脱脱一个工业通讯大杂烩。但别被设备数量吓到,程序结构可是清清爽爽,就像老司机整理的衣柜——该挂的挂,该叠的叠。 先说这程序里的SCL算法,比老式梯形图利索多了。举个栗子,处理机器人故障信号时用了堆栈结构: VAR_TEMP AlarmStack :

【论文阅读12】Circle Loss:一统 Softmax 与 Triplet,从“线性”到“圆形”的优化视角

论文题目:《Circle Loss: A Unified Perspective of Pair Similarity Optimization》 目录 前言:两大门派的恩怨 派系一:基于分类的学习 (Classification-based) 派系二:基于度量的学习 (Metric Learning / Pairwise Learning) 为什么要提这个?(Circle Loss 的动机) 1. 万物归一 —— 统一视角 () 1.1 统一 Loss 公式 1.2 计算量的“降维打击” 2. 证明 Softmax 和 Triplet 都是“特例” 2.1 退化为 Softmax () 2.

基于大疆MSDK实现的无人机视觉引导自适应降落功能

基于大疆MSDK实现的无人机视觉引导自适应降落功能 概述 最初需求:想要无人机在执行完航线任务后,一键落到一个指定的位置,简化人工控制。 实现一套完整的无人机自主降落功能,通过虚拟摇杆控制使无人机飞向指定位置,再利用视觉识别引导无人机精确降落到具体位置。本文中采用自适应降落策略,根据高度动态调整精度要求和下降速度,以实现安全、精确的降落。 核心点: * 虚拟摇杆导航替代FlyTo功能 * 双轴(X/Y)位置偏移实时调整 * 高度自适应降落策略 * 视觉识别引导定位 * 智能避障管理 系统架构 整体流程 否 是 高于50m 20-50m 5-20m 低于5m 是 否 是 否 否 是 用户触发Return to Vehicle 获取无人机GPS位置 计算与目标点距离 启动虚拟摇杆导航 飞向目标位置 5m/s 距离小于10m? 开始自适应降落 视觉识别系统 计算X/Y偏移量