综上可见，强化学习控制器与PID相比各有优劣，不过由于强化学习的训练时长和训练效率很不确定，始终感觉强化学习很不稳定，对参数也很敏感，很玄学，没想象中好用。另外，目前看来，强化学习对于阶跃和斜坡的给定输入来说比较合适，还能跟得上，像正余弦这种强化学习就搞不明白了，得要更多的训练，时间和成本都上去了，并且强化学习目前也只能停留于理论层面，实际落地也还早，感觉强化学习缺点大于优点，总的来说，对强化学习

Adams六关节机械臂与Matlab/Simulink的联合仿真(下)接上文第一步.

LeArm动手实践机械臂（一）导语：由于工业机器人不开源，无法二次开发，不能让它按照我们想要的轨迹运动，于是突发奇想，想买个小的开源机械臂能够对底层代码进行了解，也能动手实践一下，在此记录LeArm的学习历程。LeArm智能机械臂简介  LeArm是深圳幻尔科技Hiwonder旗下的一块产品，它是基于Scratch的6自由度可编程机械臂，采用图形化编程，配备十余种电子模块，兼容Arduino编程，

工业机器人Question：当机械臂按照运动指令运动后，如何将运动过程中的编码器数据导出到U盘进而在计算机中进行处理呢？Answer：按照以下步骤进行。1.接电前在控制柜上插上U盘。2.通电启动机械臂，开机后切换用户权限，参数设置-系统参数-操作权限选择，从管理员模式进入厂家模式，密码为厂家的密码。3.进入参数设置-操作参数 ，将第34号的参数值修改为0。4.开始试运行程序，同时监视坐标，程序最好

本文以多 AGV 为研究对象，研究了多 AGV 在搬运作业中的路径规划问题，利用A*算法实现了多 AGV 的最短路径规划，同时引入时间窗算法，使得多 AGV 系统的冲突问题得以解决，最后利用优化算法JADE，对路径规划总时间进行寻优迭代，找到了最佳分配方案与最小花费时间，实现了多 AGV 系统的全局无冲突路径规划。

本文介绍了使用Patran和Nastran对简易悬臂后掠翼进行模态和颤振分析的过程。通过建立几何模型、划分网格、设置材料属性和边界条件，完成结构模态分析得到前两阶弯曲模态。在气动弹性分析中，采用偶极子格网法建立气动模型，通过p-k法求解颤振特性，结果显示颤振速度为171m/s，频率24.8Hz，与理论值吻合。文章指出该方法有效，并建议进一步学习气动伺服弹性分析和多实践以掌握气弹分析技术。

前段时间师傅让做一个空起系统的建模，结果给忘了，现在趁着这几天疫情封控期间在家搞一搞，断断续续搞了五天，空起系统控制的相关资料很少，还好最后弄出来了，虽然最后还存在点小问题，不过大体上ok的。

导语：这几天在学docker，在学到容器映射端口时，总是无法访问到宿主机的对应端口，这就很纳闷了，IP地址和端口号都是对应的，eth0的IP地址加上容器外端口。不过想了一下，唯一区别是我在云服务器上跑的，可能这点出现了问题，于是找了找方法，成功解决。1. 查看服务器上的防火墙因为我用的是轻量云服务器，所以可在左界面的防火墙内直接进行查看。  在此界面即可看到服务器允许的端口号，由于我之前设置的容器

  终端中报错kafka: client has run out of available brokers to talk to (Is your cluster reachable?)  同时Kafka启动时报错: Opening socket connection to server localhost/127.0.0.1:2181. Will not attempt to authentic

综上可见，强化学习控制器与PID相比各有优劣，不过由于强化学习的训练时长和训练效率很不确定，始终感觉强化学习很不稳定，对参数也很敏感，很玄学，没想象中好用。另外，目前看来，强化学习对于阶跃和斜坡的给定输入来说比较合适，还能跟得上，像正余弦这种强化学习就搞不明白了，得要更多的训练，时间和成本都上去了，并且强化学习目前也只能停留于理论层面，实际落地也还早，感觉强化学习缺点大于优点，总的来说，对强化学习