依赖注入（Dependency Injection, DI）是，用于实现对象之间的松耦合，同时提升代码的可测试性和可维护性。它主要用于管理和提供对象的依赖关系，而不需要在代码中手动创建依赖实例。

买的国产 arduino，如果 windows识别不到。或者用 Arduino自带的Driver程序仍不能驱动。又不想用驱动精灵，可以直接安装驱动程序。99%大概率是CH340芯片，驱动下载连接如下。安装即可，不用重启电脑。

先来个实例分析。

和是机器人控制中的两个概念，它们在目标、方法和应用上有所不同，但也有一定关联。是基于机器人动力学模型的控制方法，目标是控制机器人关节力矩或力，使其达到期望的状态（如位置、速度、加速度）。的重点是控制机器人沿着给定的轨迹运动。它关注的是末端执行器的位置和姿态是否准确地跟随给定的轨迹。使用逆运动学计算末端期望位置所需的关节角，然后通过位置控制或动力学控制实现轨迹跟踪。

要判断一个函数 V(x)V(x) 是否可以作为某个动力学方程的 Lyapunov 函数，需要满足特定的数学和物理条件。以下是详细说明：一个函数 V(x)能否作为 Lyapunov 函数，需要满足以下基本条件：时间导数： 计算 Lyapunov 函数的时间导数：条件构造或选择 V(x)V(x) 时，需要结合系统的动力学特性，以下是几种常见方法：如果系统具有物理意义（如机械或电气系统），可以直接选择系

系统模型和构造 Lyapunov 函数之间是，但这种关系并不是唯一的，也就是说，构造 Lyapunov 函数需要参考系统模型的特性，但可以有多种选择。以下从理论和实践两方面解释它们的关系。系统模型描述了状态变量随时间的变化规律，通常形式为：Lyapunov 函数的构造需要反映系统模型的动力学特性，特别是状态变量如何影响系统的能量或“势能”变化。

构造 Lyapunov 函数需要结合动力学方程的特性进行设计。以下以常见的步骤和示例详细讲解如何从一个动力学方程出发，构造 Lyapunov 函数。动力学方程通常形式为：其中 xx 是系统的状态变量，f(x)f(x) 是状态变化的动态规则。​​​​​​​。

傅里叶级数是激励轨迹设计中的一种理想选择，特别适合周期性运动的机器人参数辨识。使用傅里叶级数有助于生成平滑、低噪声、动态特性丰富的轨迹，同时允许通过优化调整参数以满足特定需求。傅里叶级数，直接映射了频域的响应。对于许多机器人系统（如关节型机械臂），周期性运动是自然的选择，因为它可以让系统循环激励而无需频繁切换模式。激励轨迹的作用是通过驱动机器人运动，产生尽可能丰富的数据，帮助准确辨识动力学模型参数

模板匹配的算法实现需要结合具体需求和应用场景来选择方法。

cursor 中，shift+ctrl+p， 搜索setting.json打开如下，添加属性并修改参数。- `font-weight: 100-900` - 数值表示(100最细，900最粗)- `font-weight: normal` - 正常粗细。- `font-weight: bold` - 粗体。font-weight 属性可以自定义修改加粗。- 400 相当于 normal。- 700