Python版DenseFusion六自由度位姿估计：从RGB-D到抓取落地-北京尧图网络

简介这份Python-DenseFusion 6D物体姿态估计项目源码包面向计算机视觉、机器人抓取与AR/VR方向的学习者和开发者用于理解和复现基于RGB-D图像的端到端6D位姿估计流程。压缩包共55个文件约3.51MB以20个Python源码为核心覆盖网络结构、数据加载、训练与评估脚本辅以Shell运行脚本、PNG结果图、TXT日志说明以及CUDA/C扩展和预训练模型相关文件便于按模块查阅与搭建实验。已有1872人学习下载说明其在姿态估计入门与项目复现中具有一定参考价值。包内DenseFusion-master目录包含Linemod与YCB数据配置、训练与评估入口、损失与位姿优化实现、可视化对比图等可帮助读者梳理从特征提取、像素级融合到姿态精化的完整链路并作为课程设计、科研复现或二次开发的代码基础。1. 从一张 RGB-D 图到六自由度位姿这套 Python 版 DenseFusion 能解决什么拿到一张 RGB-D 图要回答的其实只有两件事物体在哪物体朝哪个方向。机械臂抓取、AR 装配引导、无序分拣这些场景里后者的要求往往比前者更严格位置差两厘米吸盘勉强还能处理姿态差二十度就会直接抓空。这套 Python 版的 DenseFusion 六自由度位姿估计实现走的是机器学习里看起来朴素但稳的路子——把颜色和深度分成两路提特征再在每个像素上融合让每个像素都投出一份自己的位姿估计最后用置信度打分选出最可信的那份。它适合已经跑通目标检测、想继续接入位姿估计的开发者也适合需要一个能改、能训、能换成自有数据集的基线的人。2. 环境和目录把跑通成本压进半小时先说明这个仓库不是那种pip install就完事的现代工程。它更像一份研究代码的整理版能跑但需要你把版本、目录、权重三件事对齐。我见过不少人卡在第一天不是模型难而是环境装完跑出个undefined symbol。这一节的目标很单纯——让你在半小时内看到第一帧的输出位姿精度的事放到后面。2.1 版本组合与硬件门槛的取舍这类 6D 位姿代码大多沿用的是几年前那套写法Variable包一层、tensor.data[0]取标量、align_corners不显式传。你在 PyTorch 2.x 上直接跑最常见的报错是grid_sample行为变了、torch.symeig已经改名为torch.linalg.eigh。我一般不去追最新而是提前固定一套旧版本这样一晚上能省下来。组件我一般用的版本换版本会付出什么代价Python3.7 / 3.83.10 部分老依赖没有轮子需要自己编译PyTorch1.7 ~ 1.132.x 上若干 API 改名需要逐处改代码CUDA11.x与 PyTorch 轮子对齐错配直接undefined symbol不要硬试显卡训练 8GB 起纯推理 4GB 可跑像素级回归的中间张量比想象中占显存编译扩展与 PyTorch 同版本编译点云采样类算子对 ABI 敏感提示如果你手上这份代码带了需要编译的点云算子最远点采样、KNN 之类而编译一直失败先用纯 PyTorch 的暴力实现顶着。慢三到五倍但能把整条链路跑通把问题从“装不上”降级成“有点慢”。还有一点新手容易忽略DenseFusion 那套思路是要在每个有效像素上回归一个位姿的一个 640×480 的裁剪块里有效点可能有几万个。这不是分类网络那种“batch 拉到 32”的玩法训练时 batch1 到 4 是常态。所以别拿一张 4GB 的卡去试训练会浪费你半天时间在调 batch 上。2.2 目录骨架与权重的放置我习惯先把目录建死再往里拷东西。原因是这类代码里到处是相对路径datasets/、weights/这种目录名写死在 config 里你随便换个名字就得全局搜一遍。# 代码和数据分离权重单独放避免 git 把几百兆的 pth 一起带进去 mkdir -p df6d/{configs,models,utils,datasets,scripts} mkdir -p df6d/weights mkdir -p data/{rgb,depth,mask,meta} mkdir -p df6d/logs # 确认目录结构注意 depth 和 rgb 必须是同一套命名靠文件名对齐 ls data/rgb | head -3 ls data/depth | head -3几个目录的职责要分清楚configs/放 yaml 或 py 配置文件物体类别、点采样数、对称物体列表、数据集路径全在这里改不要散落在代码里。models/是网络定义改结构只动这里。datasets/放 Dataset 类和它的注册逻辑接自有数据时基本只改这个目录。weights/放预训练权重。文件名通常是作者起的别改改了就去找引用它的那一行。logs/放 tensorboard 和 checkpoint训练跑起来之后这个目录会涨得很快注意盘。rgb和depth的对应关系靠文件名这点很关键。深度图常见的格式是 16 位 PNG单位毫米或 32 位浮点 npy单位米下面读取的时候我会强制转成米。如果你的深度图和 RGB 尺寸不一致说明它们没对齐需要先用内参和深度图尺度做一次重投影这个坑在第 5 章会展开。2.3 一帧推理先确认链路是通的不要一上来就训练。先写一个最小推理脚本喂一张图进去看输出是不是个合理的位姿。这一步花十分钟能帮你把“环境问题”和“模型问题”分开。import numpy as np import torch import cv2 # 模块名按你手上这份代码的实际命名替换不要照抄 from models.pose_net import build_model from utils.geometry import depth_to_xyz CKPT df6d/weights/你的权重文件.pth def load_intrinsic(meta_path): 内参我一定从数据集的 meta 里读不用估算值 K np.loadtxt(meta_path) # 3x3 return torch.tensor(K, dtypetorch.float32) def main(): model build_model(num_points8000, num_obj8) state torch.load(CKPT, map_locationcpu) # 常见坑保存时外面套了一层 model 或 state_dict state state.get(model, state.get(state_dict, state)) model.load_state_dict(state, strictFalse) model.eval().cuda() rgb cv2.imread(data/rgb/0001.png)[:, :, ::-1] / 255.0 depth cv2.imread(data/depth/0001.png, cv2.IMREAD_UNCHANGED).astype(np.float32) / 1000.0 mask cv2.imread(data/mask/0001.png, cv2.IMREAD_GRAYSCALE) 0 K load_intrinsic(data/meta/0001.txt) pts depth_to_xyz(depth, K.numpy(), mask) # N x 3单位米 # 训练和推理的点数必须一致不够就重复采样多了就下采样 idx np.random.choice(len(pts), 8000, replacelen(pts) 8000) pts torch.tensor(pts[idx], dtypetorch.float32).cuda().unsqueeze(0) with torch.no_grad(): pred_t, pred_q, conf model(rgb_tensor, pts) # rgb_tensor 的预处理见仓库 best conf.argmax() print(平移(米):, pred_t[0, best].cpu().numpy()) print(四元数(wxyz):, pred_q[0, best].cpu().numpy()) if __name__ __main__: main()这里的参数只有几个但每个都能让你出错num_points必须和训练时一致。这类网络里有个逐像素的拼接操作点数变了通道维度就对不上报错信息通常很含糊。深度除以 1000 是因为 16 位 PNG 存的是毫米。如果你的深度图已经是浮点米这一行去掉否则平移会小一千倍。strictFalse是故意的权重可能不含某些辅助分支。加载后要打印一下missing_keys如果没有输出为空才叫干净缺了主干层说明权重和代码不配套。输出的四元数要归一化后再转旋转矩阵预测值模长不一定等于 1。看到平移量的量级在 0.3~1.5 米、四元数四个分量都在 [-1,1] 之间说明链路通了。如果平移是几千或者零点零零几先回去查单位不用怀疑模型。3. 数据管线内参、标签、裁剪三个约定在 6D 位姿任务里模型只是其中一半另一半是数据。从我的经验看精度上不去的原因里坐标约定错了占一半以上。这一章把三个最容易出错的约定单独拆开讲。3.1 内参与反投影点云是从深度图算出来的网络吃的不是原始深度图而是由深度和内参反投影出来的点云有的实现是点云加深度图一起喂。反投影的公式本身很简单但参数单位错了会很隐蔽。import numpy as np def depth_to_xyz(depth, K, maskNone, min_z0.05, max_z3.0): depth: HxW float32单位米 K: 3x3 相机内参 mask: HxW bool只保留物体区域 h, w depth.shape fx, fy K[0, 0], K[1, 1] cx, cy K[0, 2], K[1, 2] u, v np.meshgrid(np.arange(w), np.arange(h)) z depth # 反投影像素坐标 - 相机坐标系 x (u - cx) * z / fx y (v - cy) * z / fy pts np.stack([x, y, z], axis-1).reshape(-1, 3) # 深度为 0 的像素是无效值进了网络会产生 NaN valid (pts[:, 2] min_z) (pts[:, 2] max_z) if mask is not None: valid mask.reshape(-1) return pts[valid]逐行说一下为什么这么写。fx, fy分开取是因为有些相机不是方形像素cx, cy一定用真实值不要拿w/2, h/2凑工业相机里偏心几十个像素很常见。min_z/max_z是个保险丝深度图里的 0 和饱和值都属于无效数据不滤掉的话后面的四元数归一化会直接算出 NaN而这个 NaN 会污染整个 batch 的梯度。mask的作用是裁掉背景背景点参与回归只会干扰置信度打分。注意这套代码里y轴是向下的和 OpenCV 一致不是数学教材里向上的。你写可视化的时候如果发现点云上下颠倒就是这里的问题别去改模型。3.2 位姿标签的四种约定错了不会报错标签错误最麻烦的地方在于它不报错。loss 照样降曲线照样好看就是评估指标上不去。下面四项是我每次接新数据集都一定会确认的。约定项常见写法写错之后的表现平移单位米 / 毫米预测平移整体差 1000 倍loss 巨大但训得下去位姿方向物体→相机 / 相机→物体点云和模型“反向”重叠可视化一眼能看出来四元数顺序wxyz / xyzw旋转看起来像随机跳动但位置是对的旋转表示旋转矩阵 / 四元数 / 6D转换函数没对齐时误差恒定在某个角度判断方向对不对有个很土但有效的办法把物体的 CAD 模型顶点用标签位姿变换到相机坐标系再和反投影出的点云叠在一起可视化。如果两片点云大致重合说明方向是对的如果它们是镜像或者反向的说明你用成了逆矩阵。这一步我一般会在训练前强制做一遍比看 loss 曲线靠谱得多。单位的问题更好查打印一批标签平移的均值和最大值。抓取场景的工作距离一般在 0.3~1.5 米如果你的标签均值是 800那单位就是毫米写 config 的时候除以 1000。3.3 接自有数据集必须实现的两个接口不管仓库里原本接了几个数据集你要加自己的数据本质上就是实现__len__和__getitem__。难点不在写法在于裁剪时内参也要跟着变。import torch from torch.utils.data import Dataset class MyPoseDataset(Dataset): def __init__(self, root, obj_names, img_size224, enlarge1.2): self.root root self.obj_names obj_names self.img_size img_size self.enlarge enlarge # bbox 四周留白比例 self.samples self._scan(root) # 返回 [(rgb路径, depth路径, mask路径, 类别id, R, t)] def __len__(self): return len(self.samples) def __getitem__(self, i): rgb_p, dep_p, msk_p, cls_id, R, t self.samples[i] rgb, depth, mask, K self._read(rgb_p, dep_p, msk_p) # 1) 用 mask 的外接框裁一个正方形并留出余量 ys, xs mask.nonzero(as_tupleTrue) y0, y1 ys.min().item(), ys.max().item() x0, x1 xs.min().item(), xs.max().item() cw int(max(y1 - y0, x1 - x0) * self.enlarge) cx0, cy0 x0 (x1 - x0) // 2, y0 (y1 - y0) // 2 left, top cx0 - cw // 2, cy0 - cw // 2 rgb self._crop_pad(rgb, left, top, cw) depth self._crop_pad(depth, left, top, cw) mask self._crop_pad(mask, left, top, cw) # 2) 裁剪会平移主点缩放会改焦距两步都不能省 K[0, 2] - left K[1, 2] - top s self.img_size / cw K[0, :] * s K[1, :] * s rgb torch.from_numpy(rgb).permute(2, 0, 1).float() / 255.0 return { rgb: rgb, depth: depth, mask: mask, K: torch.from_numpy(K).float(), R: torch.from_numpy(R).float(), t: torch.from_numpy(t).float(), cls: torch.tensor(cls_id), sym: torch.tensor(cls_id in SYMMETRIC_IDS), # 对称物体标记损失函数要用 }逻辑说明enlarge控制留白取值 1.1~1.4 之间比较常见太小会把物体边缘切掉太大则背景点占比升高注意力被稀释。裁剪成正方形是为了后面 resize 不变形变形的话内参的fx、fy缩放系数就不一样公式要改。主点平移这一步是最容易漏的漏了以后的表现是“预测的平移总是偏几十厘米”而且偏的方向和裁剪位置相关——如果发现误差和物体在图像里的位置有关八成就是这里。cls和sym两个字段看着不起眼但它们是损失函数的输入。对称物体圆柱、方块这类如果按普通物体算 ADD模型会在两个等价姿态之间反复切换loss 卡在一个固定值下不去。4. 网络与损失逐像素融合、残差位姿头、置信度打分这一章讲的是这套方法区别于“先检测再回归”的地方。传统两阶段做法是检测框里抠出特征全局池化成一个向量再回归位姿。问题是全局池化把物体不同部位的信息混在一堆无纹理的金属件上更是没什么可混的。DenseFusion 的做法是保留像素级差异让每个点自己投一票。4.1 颜色分支和几何分支的逐像素融合颜色分支是常规的 CNN把 RGB 提成 H/8 × W/8 × 128 的特征图几何分支处理点云输出每个点的 128 维特征。融合发生在“对齐到同一个像素位置”之后——把几何特征贴回图像网格用相机内参做投影然后再拼接。import torch import torch.nn as nn class PixelFusion(nn.Module): 逐像素融合RGB 特征几何特征全局特征压回统一维度 def __init__(self, c_rgb128, c_geo128, c_global128, c_out128): super().__init__() # 注意是 c_rgb c_geo c_global三份拼一起 self.conv nn.Sequential( nn.Conv1d(c_rgb c_geo c_global, 256, 1), nn.ReLU(inplaceTrue), nn.Conv1d(256, c_out, 1), nn.ReLU(inplaceTrue), ) def forward(self, f_rgb, f_geo, f_global): # f_rgb: B x C x Nf_geo: B x C x Nf_global: B x C x 1 g f_global.expand(-1, -1, f_rgb.shape[-1]) x torch.cat([f_rgb, f_geo, g], dim1) return self.conv(x) # B x c_out x N每个点一份特征参数上只有三个要留意c_out决定后面位姿头的宽度太大显存涨得快太小表达不够128 是个稳妥的起点1x1卷积是为了让每个点独立做通道压缩不引入空间混叠f_global那一列是额外拼进去的它的作用是给每个点提供一点“整体上下文”避免模型只看到局部。这个expand会复制 N 份是显存的主要开销之一。提示融合时如果几何点的顺序和 RGB 特征图的采样顺序对不上网络也能训但精度会掉一截而且不容易发现。我一般会写一个断言检查两边的点数是否一致并且用第 3.2 节的可视化方法抽查几个点的位置。4.2 位姿回归头为什么用残差如果让网络直接回归绝对平移t它的输出量级是 1 米左右而且每个点的输入坐标本身就已经包含了这个量级的信息。残差的做法是先回归“从这个点到物体中心的偏移量”再加回该点自身坐标。这样网络只需要学一个小的修正量数值范围小、收敛快也更容易泛化到不同工作距离。class PoseHead(nn.Module): def __init__(self, c_in128, c_mid256): super().__init__() self.trunk nn.Sequential( nn.Conv1d(c_in, c_mid, 1), nn.ReLU(inplaceTrue), nn.Conv1d(c_mid, c_mid, 1), nn.ReLU(inplaceTrue), ) self.head_t nn.Conv1d(c_mid, 3, 1) # 平移残差 self.head_q nn.Conv1d(c_mid, 4, 1) # 四元数 self.head_c nn.Conv1d(c_mid, 1, 1) # 置信度 def forward(self, feat, pts): x self.trunk(feat) delta_t self.head_t(x).transpose(1, 2) # B x N x 3 t pts delta_t # 绝对值点坐标残差 q torch.nn.functional.normalize(self.head_q(x).transpose(1, 2), dim-1) c self.head_c(x).transpose(1, 2) # B x N x 1 return t, q, cnormalize那一行不能删。四元数不归一化的话转旋转矩阵时会出现缩放评估误差看着不大但姿态是错的。置信度c后面会作为权重进入损失推理时用它挑出最好的那一个点这也是这套方法比“直接回归一个位姿”更稳的原因——它其实是在做一次带权重的集成。4.3 损失函数三个权重决定你能不能收敛损失由两部分组成位姿损失平移旋转和置信度损失。置信度那部分本质上是让网络学会“哪些点的预测更可信”用预测误差去监督置信度误差大的点置信度就应该低。def batch_pose_loss(pred_t, pred_q, pred_c, gt_t, gt_q, pts, sym, w0.5): pred_*: B x N x D每个点一份预测 gt_*: B x D整张图一个真值 sym: B是否对称物体 # 1) 平移损失对称物体用 ADD-S 的最近点近似 if sym.any(): # 对称物体预测点绕对称轴有多种等价姿态用最近点距离代替直接相减 dist torch.norm(pred_t.unsqueeze(2) - gt_t.unsqueeze(1), dim-1) loss_t dist.min(dim-1).values.mean() else: loss_t torch.norm(pred_t - gt_t.unsqueeze(1), dim-1).mean() # 2) 旋转损失四元数取最短弧q 和 -q 表示同一个旋转 dot (pred_q * gt_q.unsqueeze(1)).sum(-1).abs().clamp(max1.0) loss_q (1 - dot).mean() # 3) 置信度损失误差越大的点置信度应该越低 err (loss_t.detach() loss_q.detach()) loss_c (pred_c.squeeze(-1) * err).mean() - w * pred_c.mean() return loss_t loss_q loss_c三个参数是关键。abs()处理的是四元数的双重覆盖不加的后果是网络在q和-q之间来回跳loss 曲线呈现规律性震荡。w控制置信度的正则强度太小网络会把所有点的置信度拉平太大则会过度自信取值 0.5 到 2.0 之间调。detach()很重要置信度分支不应该反过来影响位姿分支的梯度否则两边互相拉扯训练会不稳。对称物体的处理是这套流程里我最建议提前做的一步。抓取场景里圆柱形零件特别多如果不区分对称和非对称同一个模型在两类物体上的表现会差出十倍而且你会以为是网络容量不够。5. 避坑与排查六条踩过的记录下面这些是我在不同数据集上反复遇到的按现象、原因、解决来写你可以当作排查清单用。5.1 数据与坐标类现象训练 loss 一路平稳下降评估时 ADD 一直在几十厘米。原因深度图单位是毫米标签平移单位是米。网络学到的是一个“看起来合理但量纲错”的映射。解决在 Dataset 里加一行断言assert gt_t.max() 10超过 10 就说明单位没统一。这件事写进代码里比记在文档里可靠。现象点云可视化和 RGB 对不上物体整体“偏移”了半个屏幕。原因内参用了估算值拿W/2, H/2当主点而相机实际主点有偏移。解决内参必须从数据集自带的 meta 里读读不到就做一次标定。主点偏移几十像素在工业相机上很正常省这一步会让后面所有工作白做。现象换了输入分辨率之后位置全对但姿态全错。原因resize 图像时没有同步缩放内参反投影出来的点云形状被拉伸了。解决fx fx * sfy fy * scx (cx - left) * s三个一起改。只改前两个是最常见的错误。5.2 训练与显存类现象第一个 epoch 没跑完就 CUDA out of memory。原因逐像素回归意味着点数就是 batch 维度。一个裁剪块里几万个有效点中间张量是“点数 × 特征维度 × 层数”。解决训练时随机下采样到固定点数3000~8000推理时再全量或分批。采样数固定在 config 里不要每次随机否则多卡训练时各卡点数不等会卡住。现象loss 跑了几百步之后变成 NaN。原因深度图里的 0 值点没滤掉x/z直接除出 inf或者四元数没归一化误差项出现负值开根号。解决反投影时加min_z过滤损失里对四元数先归一化再算clamp(max1.0)防止1 - dot出现负数。现象多卡训练比单卡还慢。原因每个 batch 里样本点数不一致跨卡同步时反复等待。解决固定采样点数让每张卡的张量形状完全一致。这件事在写 Dataset 的时候就该定下来。5.3 评估类现象离线评估 ADD 很好实际部署抓取成功率和评估对不上。原因评估时用的是真值 mask部署时用的是检测器输出的 mask两者边缘和漏检情况完全不同。解决用真实检测器的 mask 做一次端到端评估。哪怕指标掉几个点那也是你实际会遇到的数字。我现在的习惯是训练用真值 mask、评估用检测 mask两套数字都留着。6. 最后三公里指标验收、ICP 后处理和吞吐模型训出来只是起点。真正的差距往往在“怎么判断它行不行”和“怎么让它跑得动”上。6.1 别盯 loss用 ADD(-S) 和 5cm5° 验收loss 是给优化器看的不是给你看的。我一般只看两个数ADD(-S) 的平均距离以及 5cm5° 的通过率。前者衡量模型顶点误差后者更贴近工程判断——平移误差小于 5 厘米且旋转误差小于 5 度才算这次抓取是安全的。import numpy as np def add_s(pred_t, pred_R, gt_t, gt_R, model_pts, symFalse): model_pts: M x 3物体的 CAD 模型顶点 symTrue 时用最近点距离处理对称物体 p (pred_R model_pts.T).T pred_t g (gt_R model_pts.T).T gt_t if sym: # 每个预测点到真值点集的最近距离取平均 d np.linalg.norm(p[:, None, :] - g[None, :, :], axis-1) return d.min(axis1).mean() return np.linalg.norm(p - g, axis1).mean() def is_5cm5deg(pred_t, pred_R, gt_t, gt_R): dt np.linalg.norm(pred_t - gt_t) cos (np.trace(pred_R gt_R.T) - 1) / 2 ddeg np.degrees(np.arccos(np.clip(cos, -1, 1))) return dt 0.05 and ddeg 5.0model_pts一定要用和训练时同一份 CAD 模型用错了坐标系或者缩放ADD 会大得离谱而你还以为是模型问题。对称物体的add_s那个双重循环在顶点多的时候很慢实际跑的时候我一般会先降采样到 500 个点误差影响很小。6.2 ICP 后处理和吞吐精度和速度的交换预测出来的位姿通常还差一点点加一步 ICP 精配准往往能把这部分补回来。但这一步的代价很实在下面是几种常见手段的对比。手段精度收益速度代价什么时候值得上ICP 精配准ADD 通常能降 10%~30%单帧增加 10~40ms对精度敏感、节拍宽松点数下采样到 2000基本无损提速度 2~3 倍实时性要求高半精度推理损失 1% 以内提速度 1.5 倍左右显存吃紧固定置信度阈值过滤减少明显错的输出几乎无一定要做最划算我的做法是先固定一个置信度阈值低于它的点直接丢弃这一条几乎没有成本然后再看节拍够不够不够就减点数够了再加 ICP。说个自己的教训。早期我调这类模型习惯盯着 loss 曲线找问题一晚上能跑十几组超参结果精度就是不动。后来发现是深度图单位错了——loss 下降得很漂亮因为网络学会了一个缩放关系而 ADD 指标根本没法看。从那以后我每次换数据集都强制先做一遍可视化把反投影点云和 CAD 模型顶点按标签位姿叠在一起用眼睛确认它们重合再去调任何参数。这个习惯帮我省下的时间比任何调参技巧都多。希望帮到你。本文还有配套的精品资源点击获取

Python版DenseFusion六自由度位姿估计：从RGB-D到抓取落地

相关推荐

人脸识别工程流水线：YOLOv5检测、ArcFace对齐比对与活体检测

YOLO安全帽反光衣工作服数据集训练验收与难例回流

JSP车票预订系统实战：从源码解析到事务与并发避坑

更多资讯

解决Habitat仿真环境EGL与CUDA设备映射错误

Milvus向量数据库存储链路全解析：从写入到查询的异步分层设计

轻量级H264解码库：纯C实现、无malloc、适配裸机与RTOS

聚合搜索OneSearch：深度学习小白的资料检索自救指南

四层平台五层MVC：ASP.NET Core业务系统架构实践

CTF实战解题思路大全：高频考点与非常规解法

今日更新

PLFM_RADAR：从被动告警到主动感知的微服务健康监控系统

SPI隔离设计实战：MAX14431BAEE+与STM32F407工业级应用

数字隔离器如何根治SPI通信地环路干扰：MAX14431与TM4C129实战

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？