企业官网建设流程全解析

目前正在学习franka机械臂，已经做完理论验证了，马上就要进入实验阶段了。开学第一天，决定总结一些东西以及未来想要学习的方向。以后会按照下面的规划进行学习，学习到的相关的知识也会整理在CSDN上面。为了毕设，冲冲冲！！！

1. 机械臂的相关基础知识：比如机械臂的工作空间，正运动学，逆运动学，几何雅克比矩阵（Geometrical Jacobian），分析雅克比矩阵（Analytical Jacobian）,轨迹规划，动力学规划等。
2. Franka代码的实现：读懂官网给出的FCI手册，Franka的github仓库及libfranka官网给出的代码示例。学会ros相关的知识，可以参考b站赵虚左老师【Autolabor初级教程】ROS机器人入门和ROS2理论与实践，讲解的很详细，可以给小白从零开始学习ros，在看视频的同时可以参考与之相关的课程文档。入门之后就可以看ros的官方手册，会更加全面。自己先简单跑一些demo尝试一下，然后在官方给出的代码上面逐渐修改最后形成自己的franka控制代码。
3. 深度强化学习：因为franka是七自由度的机械臂，未来更多的是面向服务行业。而服务业的工作环境多变且复杂，这就需要机械臂更加智能。智能主要体现在动态避障，人机协同以及复杂多任务的执行等方面。深度强化学习（Deep Reinforcement Learning，DRL）结合了深度学习强大的感知能力和强化学习强大的决策能力，让DRL表现突出。学习DRL可以从最基本的多臂赌博机开始，然后到DQN，DDPG，SAC，TD3，PPO等，结合代码进行学习。
4. 控制理论：因为我所在的学科是控制学科。我们导师说对于我们学控制出身的人，一定不能忘了控制，如果一味的去搞深度强化学习，就会跟计算机的差不多，就体现不出我们的学科优势了。所以，一些相关的控制理论也不能丢掉。从PID，到自适应控制，鲁棒控制，模糊控制，滑模控制等。考虑到DRL算法中的神经网络模型是一个黑箱子，控制原理未知，训练不可测，很大程度上依赖于随机种子，不适用于需要追求稳定的场景。可以把控制理论和深度学习结合起来。如PID作为主要的控制器，这样使控制器的行为是相对稳定且可预测的。然后使用DRL作为辅助弥补PID粗调的不足，去减小一些不可建模的参数产生的误差。
5. 图像处理：作为一款智能的机器人，与环境的交互必不可少，这就需要机器人有足够的感知能力。机器视觉就是最重要的一个方面，需要相关的图像处理知识作为支撑。机器人要通过摄像头捕捉图像，分割场景，识别物体，提取特征等。
6. 数学：最最最重要的就是数学知识了。如果研究偏向基础研究，理论做的比较深入，那就需要强大扎实的数学功底作为支撑。冗余机械臂的自运动流形，机构学中的旋量，奇异点的研究，李代数等可能以后都会遇到。如果有能力可以去看陈省身的《微分几何讲义》。