在线中文字幕亚洲日韩首页,91无码视频

推理模型倉（inference model repository）是 Triton 推理服務(wù)器的最基礎(chǔ)元件，如同數(shù)據(jù)庫（database）服務(wù)器必須先創(chuàng)建一個(gè)數(shù)據(jù)庫是類似的道理。要使用 Triton 推理服務(wù)器的第一件任務(wù)，就是先創(chuàng)建一個(gè)模型存儲(chǔ)倉來作為服務(wù)器的組織中心，將所需的模型、配置文件和其他資源都位于這個(gè)存儲(chǔ)倉中，才能讓 Triton 進(jìn)行推理任務(wù)。

進(jìn)入https://github.com/triton-inference-server/server/tree/main/docs這個(gè)最完整的說明文件區(qū)，在“User Guide”里的前 5 個(gè)步驟，就是為 Triton 服務(wù)器創(chuàng)建與管理模型倉的任務(wù)，依序如下：

創(chuàng)建模型儲(chǔ)存?zhèn)}（Creating a Model Repository）
撰寫模型配置文件（Writing a Model Configuration）
創(chuàng)建模型的流水線（Buillding a Model Pipeline）
管理模型可用性（Managing Model Availablity）
收集服務(wù)器指標(biāo)（Collecting Server Metrics）

本文先帶著讀者創(chuàng)建模型存儲(chǔ)倉，這是執(zhí)行 Triton 服務(wù)器之前必須執(zhí)行的環(huán)節(jié)，另外四個(gè)部分會(huì)在后續(xù)文章中陸續(xù)探索。

這個(gè)儲(chǔ)存?zhèn)}的要求相對(duì)簡單，只要是常用的文件系統(tǒng)就行，包括企業(yè)內(nèi)部使用的 Windows NTFS 或 Linux ext3/4 文件服務(wù)器，也可以是 Google 云、亞馬遜云、微軟 Asure 之類的網(wǎng)上儲(chǔ)存空間。

Triton 模型倉是以“目錄結(jié)構(gòu)”為主體的方式搭建，將配套的文件放置對(duì)應(yīng)的位置里就可以，下面是一個(gè)簡單的范例：

目錄結(jié)構(gòu)與文件

├──

│ ├── <1>

│ │ └── model.onnx

│ ├── config.pbtxt

│ └── densenet_labels.txt

└──

├── <1>

│ └── model.graphdef

├── <2>

│ └── model.graphdef

├── config.pbtxt

└── inception_labels.txt

用途說明

根目錄：倉名稱

目錄：模型densenet_onnx

目錄：模型densenet_onnx的版本1

文件：模型densenet_onnx版本1的模型文件

文件：模型densenet_onnx的配置文件

文件：模型densenet_onnx的標(biāo)注文件

目錄：模型inception_graphdef

目錄：模型inception_graphdef版本1

文件：模型inception_graphdef版本1的模型文件

目錄：模型inception_graphdef版本2

文件：模型inception_graphdef版本2的模型文件

文件：模型inception_graphdef的配置文件

文件：模型inception_graphdef的標(biāo)注文件

這個(gè)模型倉主要分為以下兩大部分：

1. 目錄結(jié)構(gòu)：需要?jiǎng)?chuàng)建以下三層目錄，并根據(jù)各層定義進(jìn)行命名

(1) 第一層“倉名稱”：簡單創(chuàng)建一個(gè)文件夾作為模型該模型倉的根路徑，一臺(tái)設(shè)備上可以有任意個(gè)模型倉，例如 model_repo1、model_repo2；

(2) 第二層“模型名稱”：在模型倉下面根據(jù)模型名稱創(chuàng)建目錄，通常習(xí)慣使用“神經(jīng)網(wǎng)絡(luò)名稱_后端種類”的組合格式，例如

densenet_onnx 表示為 ONNX 后端的 densenet 網(wǎng)絡(luò)模型；
inception_graphdef 表示為 TensorFlow graphdef 后端的 inception 模型。

(3) 第三層“版本號(hào)”：用純數(shù)字表示，因?yàn)橄嗤哪Ｐ涂赡艽嬖诓煌?xùn)練回合（epoch）、不同精度的多個(gè)版本。

2. 文件內(nèi)容：將以下三種文件內(nèi)容，分別放置在對(duì)應(yīng)的目錄下

(1)配置文件：放在第二層的模型名稱目錄下，通常命名為 config.pbtxt，每個(gè)模型都有各自的配置文件，里面存放著該模型執(zhí)行推理時(shí)所需要的信息與參數(shù)，是 Triton 模型倉里最重要的部分，主要內(nèi)容將在后面有專門文章提供詳細(xì)說明。

(2)標(biāo)注文件（如果有）：放在第二層的模型名稱目錄下，例如 densenet_labels.txt

(3)模型文件：放在第三層的版本目錄下，就是最終執(zhí)行推理功能的神經(jīng)網(wǎng)絡(luò)模型，其附加文件名根據(jù)訓(xùn)練時(shí)所用的框架而定，如下所列

TensorRT 模型：附加名為 .plan，例如 model.plan
ONNX 模型：附加名為 .onnx，例如 model.onnx
TorchScript 模型：附加名為 .pt，例如 model.pt
TensorFlow 模型：根據(jù)存儲(chǔ)時(shí)的方式有 .graphdef 與 .savedmodel 兩種，例如 model.graphdef 或 model.savedmodel
OpenVINO 模型：需要由 .xml 與 .bin 組成，例如 model.xml 與 model.bin
Python 模型：附加名為 .py，例如 model.py
DALI 模型：附加名為 .dali，例如 model.dali

即便是在云存儲(chǔ)上，也只要根據(jù)上述要求創(chuàng)建目錄結(jié)構(gòu)，并將各類文件放置在對(duì)應(yīng)目錄下，然后啟動(dòng) Triton 推理服務(wù)器時(shí)使用“--model-repostory=”參數(shù)，指向模型倉根路徑的位置就可以，例如以下狀況：

# 在本機(jī)上
tritonserver --model-repository=/home/nvidia/triton/repo1
# 在Google云
tritonserver --model-repository=gs://bucket/triton/repo-google
# 在亞馬遜S3云
tritonserver --model-repository=s3://IP:端口/triton/repo-amazone
# 微軟Azure云
tritonserver--model-repository=as://用戶名/容器名/repo-azure

Triton 服務(wù)器啟動(dòng)時(shí)，會(huì)將模型倉下的模型載入計(jì)算設(shè)備的內(nèi)存之中，并不需要與模型倉所在服務(wù)器進(jìn)行實(shí)時(shí)數(shù)據(jù)交換，因此啟動(dòng)之初會(huì)消耗比較多時(shí)間，開始執(zhí)行推理計(jì)算之后是不會(huì)受到網(wǎng)絡(luò)速度影響推理性能。

為了協(xié)助讀者跟容易理解模型倉的使用，我們以 NVIDIA Jetson AGX Orin 設(shè)備作為實(shí)驗(yàn)平臺(tái)，先下載https://github.com/triton-inference-server/server開源倉，里面的docs目錄下有個(gè)examples/model_repository就是個(gè)模型倉范例，里面有 8 個(gè)簡單的模型，可以做些簡單的測(cè)試與體驗(yàn)。現(xiàn)在請(qǐng)執(zhí)行以下指令：

cd$HOME&&mkdirtriton&&cdtriton
git clone https://github.com/triton-inference-server/server
cd server/docs/examples
treemodel_repository

就會(huì)看到如下面左方的列表，共有 8 個(gè)模型文件夾：

目錄結(jié)構(gòu)與文件

model_repository/

├── densenet_onnx

│ ├── config.pbtxt

│ └── densenet_labels.txt

├── inception_graphdef

│ ├── config.pbtxt

│ └── inception_labels.txt

├── simple

│ ├── 1

│ │ └── model.graphdef

│ └── config.pbtxt

├── simple_dyna_sequence

│ ├── 1

│ │ └── model.graphdef

│ └── config.pbtxt

《中間省略》

└── simple_string

├── 1

│ └── model.graphdef

└── config.pbtxt

用途說明

根目錄：倉名稱為model_repository

目錄：模型densenet_onnx

文件：模型densenet_onnx的配置文件

文件：模型densenet_onnx的標(biāo)注文件

目錄：模型inception_graphdef

文件：模型inception_graphdef的配置文件

文件：模型inception_graphdef的標(biāo)注文件

目錄：模型simple

目錄：模型simple的版本1

文件：模型simple的模型文件

文件：模型simple的配置文件

目錄：模型simple_dyna_sequence

目錄：模型simple_dyna_sequence的版本1

文件：模型simple_dyna_sequence的模型文件

文件：模型simple_dyna_sequence的配置文件

《中間省略》

目錄：模型simple_string

目錄：模型simple_string的版本1

文件：模型simple_string的模型文件

文件：模型simple_string的配置文件

我們可以看到每個(gè)文件夾里面都有 1 個(gè)獨(dú)立的 config.pbtxt 配置文件，而且內(nèi)容都不盡相同，這是針對(duì)不同模型所設(shè)置的內(nèi)容與參數(shù)。

在下載的模型倉里的 densenet_onnx 與 inception_graphdef 目錄下，并沒有提供對(duì)用的模型文件，因此需要執(zhí)行以下指令將這兩個(gè)模型文件下載，并存放在指定位置里：

$  ./fetch_models.sh

現(xiàn)在就能看到在 densenet_onnx 與 inception_graphdef 各生成版本 <1> 目錄，并且各有一個(gè) model.onnx 與 model.graphdef 模型文件。

接下去只要安裝好 Triton 服務(wù)器軟件，就能開始使用這個(gè)模型倉來進(jìn)行測(cè)試與體驗(yàn)，這是下一篇文章會(huì)帶著大家進(jìn)行安裝的部分。

推薦閱讀

NVIDIA Jetson Nano 2GB 系列文章（1）：開箱介紹

NVIDIA Jetson Nano 2GB 系列文章（2）：安裝系統(tǒng)

NVIDIA Jetson Nano 2GB 系列文章（3）：網(wǎng)絡(luò)設(shè)置及添加 SWAPFile 虛擬內(nèi)存

NVIDIA Jetson Nano 2GB 系列文章（4）：體驗(yàn)并行計(jì)算性能

NVIDIA Jetson Nano 2GB 系列文章（5）：體驗(yàn)視覺功能庫

NVIDIA Jetson Nano 2GB 系列文章（6）：安裝與調(diào)用攝像頭

NVIDIA Jetson Nano 2GB 系列文章（7）：通過 OpenCV 調(diào)用 CSI/USB 攝像頭

NVIDIA Jetson Nano 2GB 系列文章（8）：執(zhí)行常見機(jī)器視覺應(yīng)用

NVIDIA Jetson Nano 2GB 系列文章（9）：調(diào)節(jié) CSI 圖像質(zhì)量

NVIDIA Jetson Nano 2GB 系列文章（10）：顏色空間動(dòng)態(tài)調(diào)節(jié)技巧

NVIDIA Jetson Nano 2GB 系列文章（11）：你應(yīng)該了解的 OpenCV

NVIDIA Jetson Nano 2GB 系列文章（12）：人臉定位

NVIDIA Jetson Nano 2GB 系列文章（13）：身份識(shí)別

NVIDIA Jetson Nano 2GB 系列文章（14）：Hello AI World

NVIDIA Jetson Nano 2GB 系列文章（15）：Hello AI World 環(huán)境安裝

NVIDIA Jetson Nano 2GB 系列文章（16）：10行代碼威力

NVIDIA Jetson Nano 2GB 系列文章（17）：更換模型得到不同效果

NVIDIA Jetson Nano 2GB 系列文章（18）：Utils 的 videoSource 工具

NVIDIA Jetson Nano 2GB 系列文章（19）：Utils 的 videoOutput 工具

NVIDIA Jetson Nano 2GB 系列文章（20）：“Hello AI World” 擴(kuò)充參數(shù)解析功能

NVIDIA Jetson Nano 2GB 系列文章（21）：身份識(shí)別

NVIDIA Jetson Nano 2GB 系列文章（22）：“Hello AI World” 圖像分類代碼

NVIDIA Jetson Nano 2GB 系列文章（23）：“Hello AI World 的物件識(shí)別應(yīng)用

NVIDIAJetson Nano 2GB 系列文章（24）: “Hello AI World” 的物件識(shí)別應(yīng)用

NVIDIAJetson Nano 2GB 系列文章（25）: “Hello AI World” 圖像分類的模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（26）: “Hello AI World” 物件檢測(cè)的模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（27）: DeepStream 簡介與啟用

NVIDIAJetson Nano 2GB 系列文章（28）: DeepStream 初體驗(yàn)

NVIDIAJetson Nano 2GB 系列文章（29）: DeepStream 目標(biāo)追蹤功能

NVIDIAJetson Nano 2GB 系列文章（30）: DeepStream 攝像頭“實(shí)時(shí)性能”

NVIDIAJetson Nano 2GB 系列文章（31）: DeepStream 多模型組合檢測(cè)-1

NVIDIAJetson Nano 2GB 系列文章（32）: 架構(gòu)說明與deepstream-test范例

NVIDIAJetsonNano 2GB 系列文章（33）: DeepStream 車牌識(shí)別與私密信息遮蓋

NVIDIA Jetson Nano 2GB 系列文章（34）: DeepStream 安裝Python開發(fā)環(huán)境

NVIDIAJetson Nano 2GB 系列文章（35）: Python版test1實(shí)戰(zhàn)說明

NVIDIAJetson Nano 2GB 系列文章（36）: 加入U(xiǎn)SB輸入與RTSP輸出

NVIDIAJetson Nano 2GB 系列文章（37）: 多網(wǎng)路模型合成功能

NVIDIAJetson Nano 2GB 系列文章（38）: nvdsanalytics視頻分析插件

NVIDIAJetson Nano 2GB 系列文章（39）: 結(jié)合IoT信息傳輸

NVIDIAJetson Nano 2GB 系列文章（40）: Jetbot系統(tǒng)介紹

NVIDIAJetson Nano 2GB 系列文章（41）: 軟件環(huán)境安裝

NVIDIAJetson Nano 2GB 系列文章（42）: 無線WIFI的安裝與調(diào)試

NVIDIAJetson Nano 2GB 系列文章（43）: CSI攝像頭安裝與測(cè)試

NVIDIAJetson Nano 2GB 系列文章（44）: Jetson的40針引腳

NVIDIAJetson Nano 2GB 系列文章（45）: I2C總線與PiOLED

NVIDIAJetson Nano 2GB 系列文章（46）: 機(jī)電控制設(shè)備的安裝

NVIDIAJetson Nano 2GB 系列文章（47）: 組裝過程的注意細(xì)節(jié)

NVIDIAJetson Nano 2GB 系列文章（48）: 用鍵盤與搖桿控制行動(dòng)

NVIDIAJetson Nano 2GB 系列文章（49）: 智能避撞之現(xiàn)場演示

NVIDIAJetson Nano 2GB 系列文章（50）: 智能避障之模型訓(xùn)練

NVIDIAJetson Nano 2GB 系列文章（51）: 圖像分類法實(shí)現(xiàn)找路功能

NVIDIAJetson Nano 2GB 系列文章（52）: 圖像分類法實(shí)現(xiàn)找路功能

NVIDIAJetson Nano 2GB 系列文章（53）: 簡化模型訓(xùn)練流程的TAO工具套件

NVIDIA Jetson Nano 2GB 系列文章（54）：NGC的內(nèi)容簡介與注冊(cè)密鑰

NVIDIA Jetson Nano 2GB 系列文章（55）：安裝TAO模型訓(xùn)練工具

NVIDIA Jetson Nano 2GB 系列文章（56）：啟動(dòng)器CLI指令集與配置文件

NVIDIA Jetson Nano 2GB 系列文章（57）：視覺類腳本的環(huán)境配置與映射

NVIDIA Jetson Nano 2GB 系列文章（58）：視覺類的數(shù)據(jù)格式

NVIDIA Jetson Nano 2GB 系列文章（59）：視覺類的數(shù)據(jù)增強(qiáng)

NVIDIA Jetson Nano 2GB 系列文章（60）：圖像分類的模型訓(xùn)練與修剪

NVIDIA Jetson Nano 2GB 系列文章（61）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化

NVIDIA Jetson Nano 2GB 系列文章（62）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化-2

NVIDIA Jetson Nano 2GB 系列文章（63）：物件檢測(cè)的模型訓(xùn)練與優(yōu)化-3

NVIDIA Jetson Nano 2GB 系列文章（64）：將模型部署到Jetson設(shè)備

NVIDIA Jetson Nano 2GB 系列文章（65）：執(zhí)行部署的 TensorRT 加速引擎

NVIDIA Jetson 系列文章（1）：硬件開箱

NVIDIA Jetson 系列文章（2）：配置操作系統(tǒng)

NVIDIA Jetson 系列文章（3）：安裝開發(fā)環(huán)境

NVIDIA Jetson 系列文章（4）：安裝DeepStream

NVIDIA Jetson 系列文章（5）：使用Docker容器的入門技巧

NVIDIA Jetson 系列文章（6）：使用容器版DeepStream

NVIDIA Jetson 系列文章（7）：配置DS容器Python開發(fā)環(huán)境

NVIDIA Jetson 系列文章（8）：用DS容器執(zhí)行Python范例

NVIDIA Jetson 系列文章（9）：為容器接入U(xiǎn)SB攝像頭

NVIDIA Jetson 系列文章（10）：從頭創(chuàng)建Jetson的容器（1）

NVIDIA Jetson 系列文章（11）：從頭創(chuàng)建Jetson的容器（2）

NVIDIA Jetson 系列文章（12）：創(chuàng)建各種YOLO-l4t容器

NVIDIA Triton系列文章（1）：應(yīng)用概論

NVIDIA Triton系列文章（2）：功能與架構(gòu)簡介

NVIDIA Triton系列文章（3）：開發(fā)資源說明

原文標(biāo)題：NVIDIA Triton 系列文章（4）：創(chuàng)建模型倉

文章出處：【微信公眾號(hào)：NVIDIA英偉達(dá)企業(yè)解決方案】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

聲明：本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人，不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用，如有內(nèi)容侵權(quán)或者其他違規(guī)問題，請(qǐng)聯(lián)系本站處理。舉報(bào)投訴

英偉達(dá)

英偉達(dá)

+關(guān)注

關(guān)注
22

文章
3720

瀏覽量
90683

原文標(biāo)題：NVIDIA Triton 系列文章（4）：創(chuàng)建模型倉

文章出處：【微信號(hào)：NVIDIA-Enterprise，微信公眾號(hào)：NVIDIA英偉達(dá)企業(yè)解決方案】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

評(píng)論

相關(guān)推薦

NVIDIA助力提供多樣、靈活的模型選擇

在本案例中，Dify 以模型中立以及開源生態(tài)的優(yōu)勢(shì)，為廣大 AI 創(chuàng)新者提供豐富的模型選擇。其集成的 NVIDIAAPI Catalog、NVIDIA NIM和Triton 推理服務(wù)器

發(fā)表于 09-09 09:19 ?413次閱讀

NVIDIA Nemotron-4 340B模型幫助開發(fā)者生成合成訓(xùn)練數(shù)據(jù)

Nemotron-4 340B 是針對(duì) NVIDIA NeMo 和 NVIDIA TensorRT-LLM 優(yōu)化的模型系列，該

發(fā)表于 09-06 14:59 ?248次閱讀

<b class='flag-5'>NVIDIA</b> Nemotron-<b class='flag-5'>4</b> 340B<b class='flag-5'>模型</b>幫助開發(fā)者生成合成訓(xùn)練數(shù)據(jù)

采用OpenUSD和NVIDIA NIM微服務(wù)創(chuàng)建精準(zhǔn)品牌視覺

全球領(lǐng)先的創(chuàng)意和制作服務(wù)機(jī)構(gòu)率先采用 OpenUSD 和 NVIDIA NIM 微服務(wù)來創(chuàng)建精準(zhǔn)的品牌視覺。

發(fā)表于 08-01 14:33 ?375次閱讀

NVIDIA AI Foundry 為全球企業(yè)打造自定義 Llama 3.1 生成式 AI 模型

借助 NVIDIA AI Foundry，企業(yè)和各國現(xiàn)在能夠使用自有數(shù)據(jù)與 Llama 3.1 405B 和 NVIDIA Nemotron 模型配對(duì)，來構(gòu)建“超級(jí)模型”

發(fā)表于 07-24 09:39 ?673次閱讀

<b class='flag-5'>NVIDIA</b> AI Foundry 為全球企業(yè)打造自定義 Llama 3.1 生成式 AI <b class='flag-5'>模型</b>

cad如何進(jìn)行三維建模

三維建模是計(jì)算機(jī)輔助設(shè)計(jì)（CAD）中的一項(xiàng)重要技術(shù)，它可以幫助設(shè)計(jì)師在計(jì)算機(jī)上創(chuàng)建和編輯三維模型。本文將介紹如何使用CAD軟件進(jìn)行三維建模，包括建模

發(fā)表于 07-09 10:23 ?687次閱讀

arma-garch模型的建模步驟

ARMA-GARCH模型是一種常用于金融市場時(shí)間序列數(shù)據(jù)的建模方法，它結(jié)合了自回歸移動(dòng)平均（ARMA）模型和廣義自回歸條件異方差（GARCH）模型的優(yōu)點(diǎn)。以下是ARMA-GARCH

發(fā)表于 07-09 10:20 ?458次閱讀

使用NVIDIA Triton推理服務(wù)器來加速AI預(yù)測(cè)

這家云計(jì)算巨頭的計(jì)算機(jī)視覺和數(shù)據(jù)科學(xué)服務(wù)使用 NVIDIA Triton 推理服務(wù)器來加速 AI 預(yù)測(cè)。

發(fā)表于 02-29 14:04 ?532次閱讀

在AMD GPU上如何安裝和配置triton？

最近在整理python-based的benchmark代碼，反過來在NV的GPU上又把Triton裝了一遍，發(fā)現(xiàn)Triton的github repo已經(jīng)給出了對(duì)應(yīng)的llvm的commit id以及對(duì)應(yīng)的編譯細(xì)節(jié)，然后跟著走了一遍，也順利的安裝成功，只需要按照如下方式即可完

發(fā)表于 02-22 17:04 ?2190次閱讀

利用NVIDIA產(chǎn)品技術(shù)組合提升用戶體驗(yàn)

本案例通過利用NVIDIA TensorRT-LLM加速指令識(shí)別深度學(xué)習(xí)模型，并借助NVIDIA Triton推理服務(wù)器在NVIDIA V1

發(fā)表于 01-17 09:30 ?633次閱讀

如何使用RMxprt創(chuàng)建電機(jī)模型

創(chuàng)建電機(jī)模型，通過RMxprt來創(chuàng)建Maxwell 2D和3D幾何模型，同時(shí)對(duì)幾何模型進(jìn)行求解計(jì)算，查看相應(yīng)的設(shè)計(jì)表單等結(jié)果。

發(fā)表于 12-22 15:59 ?5358次閱讀

不要錯(cuò)過！NVIDIA “大模型沒那么泛！”主題活動(dòng)

2024 新年首發(fā)！ NVIDIA 大模型日系列活動(dòng) 將于 2024 年 1 月正式啟動(dòng)，由 NVIDIA 和業(yè)界專家攜手分享大模型應(yīng)用開

發(fā)表于 12-20 19:35 ?612次閱讀

什么是Triton-shared？Triton-shared的安裝和使用

經(jīng)過前面幾章關(guān)于triton在nv gpu上調(diào)優(yōu)的講解，我們這章開始來看看triton的一個(gè)third_party庫，該庫是為了讓triton去支持更多其他的backend。該項(xiàng)目的地址如下所示

發(fā)表于 12-19 09:47 ?1060次閱讀

Triton編譯器的原理和性能

為Torch inductor的基本組件，以合成針對(duì)GPU的高效內(nèi)核。與傳統(tǒng)庫使用相比，這具有多種優(yōu)勢(shì)。它允許創(chuàng)建各種各樣的融合，它可以獨(dú)立調(diào)整，并且它的內(nèi)存占用更小。本次演講將介紹Triton編譯器，并描述使其能夠以最少的用戶努力生成閃電般快速內(nèi)核的過程。

發(fā)表于 12-16 11:22 ?2645次閱讀

SaberRD狀態(tài)機(jī)建模工具介紹（一）什么是狀態(tài)機(jī)建模

狀態(tài)機(jī)建模是使用狀態(tài)圖和方程式的手段，創(chuàng)建基于混合信號(hào)的有限狀態(tài)機(jī)模型的一種建模工具。

發(fā)表于 12-05 09:51 ?1565次閱讀

如何創(chuàng)建機(jī)器人模型

的細(xì)節(jié)，先來找link和joint，看下這個(gè)機(jī)器人是由哪些部分組成的，了解完全局之后，再看細(xì)節(jié)。 創(chuàng)建機(jī)器人模型好啦，講了這么多，還是要看一個(gè)完整的示例。我們以這款移動(dòng)機(jī)器人模型為例，一起看下它的URDF

發(fā)表于 11-22 17:09 ?864次閱讀