无人机——电机篇（一）

无人机动力套（电机、电调）技术详解

相比有刷电机，无刷电机内部没有碳刷，因此转子与外界无需导体连接，减少了摩擦和磨损，提高了电机的可靠性和使用寿命。电调（电子调速器）的主要作用是调节电机的转速，从而控制无人机的飞行速度和高度。电调通常与遥控设备或飞控系统相连接，根据输入的信号调整电机的转速，实现无人机的稳定飞行和精确控制。电机与电调的匹配应遵循功率相当、电压兼容的原则。即电机的功率和电调的功率应相近，以避免电调过载或电机动力不足的情况。电机是将电能转化为机械能的关键部件，其主要作用是产生旋转力矩，驱动螺旋桨的旋转，从而实现无人机的飞行。

四旋翼无人机学习之准备篇（一）

最近我哥要给我邮递个四旋翼无人机，再加上本人对蓝天从小就很感兴趣。。所以在学习完四驱小车后打算上手下无人机 刚开始学习根本不知道要看哪些，在几天漫无头绪的学习，终于有点气色了，就把学习经验分享给大家 学习四旋翼你首先要把它运动原理了解了，这是最基本的基本！！！！！ 垂直运动 图（a）中，因有两对电机转向相反，可以平衡其对机身的反扭矩，当同时增加四个电机的输出功率，旋翼转速增加使得总的拉力增大，当总...

基于unity无人机3D仿真《一》

基于unity无人机3D仿真《一》实现无人机的模型的制作、运动学关系、姿态角等；实现无人机各种姿态运动。 一、目前的效果 二、无人机模型 制作软件：maya 模型结构： 三、开发平台 unity2017 + VS2019 + C# 四、无人机模型及控制规律 飞行姿态控制 高度控制： 俯仰控制：绕无人机自身y轴运动（前后） 横滚控制：绕无人机自身x轴运动（左右） 偏航控制：绕无人机自身z轴...

无人机电机与螺旋桨的匹配原理及方法（一）

本文系统探讨了无人机电机与螺旋桨的匹配原理，从电机类型及参数、螺旋桨动力学分析到具体匹配方法。指出合理匹配能提升续航、效率和稳定性，不合理匹配会导致性能下降甚至飞行失败。详细介绍了无刷/有刷电机的特性参数、螺旋桨的直径/螺距/桨叶数等关键参数，并给出匹配计算流程。通过5kgf四轴无人机案例，展示了从15-17英寸螺旋桨选择到MN41系列电机匹配的具体过程，并介绍了动力测试台的验证方法。强调动力系统需通过50小时台架测试验证效率、热安全性和动态响应等指标，为无人机动力系统设计提供了完整的理论指导和实践参考。

无人机无刷电机技术详解及选型

与传统有刷电机相比，无刷电机通过电子换向器（即电子调速器，ESC）控制定子上的多相电流，产生旋转磁场，驱动转子中的永磁体转动，从而避免了机械磨损和摩擦，提高了电机寿命和效率。而低KV值电机则更适合需要高扭矩、低转速的应用，如载重无人机。无人机在高速飞行时，无刷电机会产生大量热量，良好的散热设计是保持电机性能和延长使用寿命的关键。综上所述，无人机无刷电机的选型需综合考虑技术原理、类型、尺寸重量、材料、KV值、电调兼容性、散热防护及性能参数等多方面因素，以确保无人机在复杂多变的飞行环境中能够安全、高效地运行。

六轴无人机装配问题小结（Pixhawk飞控、APM固件、电机装配、电调校准）

笔者近期需要组装一架六轴无人机供超声波避障模块、单点激光雷达等传感器的测试使用。由于是第一次碰真机，面对散落一箱的部件还是非常的头大的，不过好在实验室有经验的大佬能提供一些指导，并且还能够参考“创客智造”和“雷迅Copter”等多轴无人机教程，因此摸索了两三天也算是完成了一架六轴的装配，在这个过程中也遇到了一些比较难解决的问题，在此记录一下供自己今后或者其他有需要的朋友们参考。由于是赶着国庆出行前完成的工作，本文是在出行的动车上打发时间写下的，缺少的配图还等国庆之后补上~~~ 先大致描述一下所装配的无人机

手把手教你组装调试无人机——用pixhawk飞控组装一台F450四轴无人机F450朗宇电机套餐篇

鉴于不断有很多新手朋友想入门四轴无人机，对pixhawk飞控调试还不熟悉等问题。我们以F450机型+pixhawk飞控为例，做了以下这篇详细的图文教程。对组装调试过程再做一个细化。希望对新手模友有帮助。大家务必跟着教程一步一步来进行。对后期想再做二次开发，视觉避障等功能的模友，都需要在熟练使用飞控，飞行器能正常操作飞行的基础之上才能进行。教程针对新手，老手请略过！

PX4（CUAV v6x 飞控）+ QAV250 机架无人机组装测试教学（无人机电机转向不对，如何反转电机？）

本文介绍无人机的组装与飞控调试：1.无人机的硬件组装。2.无人机飞控软件的下载，电机、遥控器、电调的校准与调试。

【雕爷学编程】Arduino BLDC 之无人机电机控制程序

使用motor1.write()、motor2.write()、motor3.write()和motor4.write()函数将计算得到的速度值发送给四个电机，控制它们的转速。使用motor1.write()、motor2.write()、motor3.write()和motor4.write()函数将计算得到的速度值发送给四个电机，控制它们的转速。5、创新：Arduino可以让你用电子的方式来表达你的创意和想象，你可以用Arduino来制作各种有趣和有用的项目，如机器人、智能家居、艺术装置等。

Visio 2013安装遇阻？手把手教你搞定注册表权限错误1402（附64位系统特殊处理）

本文详细解析了Visio 2013安装过程中常见的注册表权限错误1402问题，特别是在64位系统下的特殊处理方法。通过分步指导如何修改注册表权限、处理Wow6432Node分支以及使用高级工具如subinacl，帮助用户顺利完成安装并避免常见连带问题。

老N卡福音：GT1030/GTX1050在MacOS Ventura 13.2上的完整驱动指南（附实测截图）

本文详细介绍了如何在MacOS Ventura 13.2上通过OCLP工具链驱动GT1030和GTX1050等老款NVIDIA显卡，涵盖硬件兼容性验证、BIOS设置、OpenCore配置、驱动安装及性能测试全流程。实测数据显示，这些基于Pascal和Maxwell架构的显卡在当代MacOS系统中仍能发挥实用价值，为老N卡用户提供完整解决方案。

MMORPG网络游戏开发之任务系统的架构与设计

在网路游戏中做任务已经成为游戏很重要的一个核心功能和玩法，如何做好一个灵活可扩展的任务系统的架构与设计，今天来给大家分享一些我们的设计经验。接下来我把整个的任务系统分成以下6个模块:对于单机游戏而言，这6个模块都放在客户端直接处理，对于网路游戏而言，模块1~5实现在服务端，模块6实现在客户端。对啦！这里有个游戏开发交流小组里面聚集了一帮热爱学习unity的零基础小白，也有一些正在从事unity开发的技术大佬，欢迎你来交流学习。...

TC397 EB配置ADC软件触发：从零实现周期采样与中断处理

本文详细介绍了如何在Infineon AURIX TC397芯片上使用EB Tresos工具配置ADC软件触发，实现周期采样与中断处理。通过硬件连接、EB模块配置、代码初始化及数据处理的全流程解析，帮助开发者快速掌握ADC软件触发技术，提升嵌入式系统开发效率。

YOLOv12改进策略【独家融合改进】| MobileNetV4+BiFPN，轻松实现降参涨点，适用专栏内所有的骨干替换

可扩展的高效物体检测BiFPN（加权双向特征金字塔网络）

【WRF安装】WRF编译错误：problems building executables look for error in the build log

WRF编译错误：problems building executables look for error in the build log

针对小缺陷目标：在YOLOv11中引入小目标检测层

摘要： 针对YOLOv11在工业检测中漏检微小目标（如焊点气泡）的问题，研究发现深层特征下采样导致小目标信息丢失。通过在YOLOv11中增加P2检测层（4倍下采样）并融合浅层高分辨率特征，可显著提升小目标召回率。关键优化包括：调整模型结构、谨慎设计数据增强策略（减少MixUp、增加小目标粘贴）、重新分配损失权重（提升P2层权重）、优化推理速度（动态分辨率、通道裁剪）。同时强调数据质量的重要性，建议根据具体场景特性（目标尺寸、分布）定制方案，而非盲目调整模型。

高通蓝牙学习-- 关于Android 蓝牙的介绍

本文详细介绍了AOSP蓝牙架构及高通QCA芯片的蓝牙功能实现方案。主要内容包括：1）AOSP蓝牙架构在不同Android版本中的层次结构，重点分析BTHIDL层和libbt-vendor关键组件；2）QCA芯片的引导流程说明；3）两种获取libbt-vendor源码的方式（Google官方源和国内镜像源）；4）针对QCA6595/6696/66x8/67x7芯片的具体实现方案，包括固件文件定义、厂商事件处理和补丁下载流程；5）蓝牙调试方法，包括logcat日志分析、HSU和Ellisys硬件跟踪技术。文章为

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")