Physical AI Lab 編輯部

比較 LiDAR、視覺和視覺慣性 SLAM，透過觀察、里程計、迴環檢測、地圖輸出、校正、指標和實際故障條件，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

比較基於取樣的運動規劃與軌跡最佳化，然後結合全域連通性、碰撞檢查、動態約束、時序和回饋，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

學習逆運動學和逆動力學計算什麼，它們需要哪些輸入，以及姿態、時機、力矩極限、接觸和回饋如何將它們連線起來，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

透過狀態估計、接觸約束、任務優先順序、重心動量、最佳化、策略學習和驗證，理解機器人的全身控制，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

透過克拉克-帕克變換、 d-q 軸 PI 環、逆變換、 PWM 和轉矩測試，理解從電流取樣和轉子角度的磁場定向控制，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

透過直流匯流排、預充、逆變器、柵極驅動器、電流感應、控制 MCU、編碼器、保護、再生和測試來瞭解機器人馬達驅動器。

分別檢測減速器間隙、空回、負載反轉滯後和扭轉剛度，然後與定義的雙向轉矩角測試進行比較，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

根據彈性路徑、力感測、回驅性、頻寬、衝擊行為、馬達與比、熱負荷及測試，比較 SEA 和 QDD 機器人致動器，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

比較機器人致動器轉矩密度，使用輸出轉矩、連續和峰值持續時間、完整關節質量、體積、速度、冷卻及測量負載，並整理真實機器人部署前需要核對的條件、指標與失敗證據。

透過比率、反射慣性、摩擦、齒輪、電氣狀態、主動順應性和輸出測試來理解機器人關節的反向驅動能力，並整理真實機器人部署前需要核對的條件、指標與失敗證據。