01
课程导论与项目全景
AI运动控制器的定义、应用场景（工业机器人、无人机、智能汽车）、课程项目目标与整体架构概览。
概览AI
02
运动控制基础（一）
坐标系与位姿描述（世界坐标系、工具坐标系、欧拉角、四元数），刚体运动学基础。
坐标系四元数
03
运动控制基础（二）
正逆运动学求解（以2-DOF机械臂为例），雅可比矩阵与奇异性分析。
运动学雅可比
04
运动控制基础（三）
轨迹规划（梯形速度曲线、S形曲线、多项式插值），时间最优路径规划概念。
轨迹插值
05
电机驱动与执行器
直流电机、步进电机、伺服电机原理，PWM控制与H桥驱动电路设计要点。
电机PWM
06
传感器与数据采集
编码器（增量式/绝对式）、IMU（加速度计/陀螺仪）、力/扭矩传感器，数据采集与滤波（卡尔曼滤波入门）。
传感器卡尔曼
07
嵌入式平台选型与搭建
主流平台对比（STM32、ESP32、Jetson Nano、树莓派），本项目硬件选型（Jetson Orin + STM32）与通信架构（UART、I2C、SPI）。
嵌入式Jetson
08
实时操作系统（RTOS）入门
FreeRTOS任务创建与调度、信号量、消息队列，在STM32上实现多任务运动控制框架。
FreeRTOS多任务
09
通信协议实战（一）
CAN总线原理与报文结构，在STM32上实现CAN通信，与电机驱动器交互。
CANSTM32
10
通信协议实战（二）
EtherCAT协议简介（从站/主站），Linux下使用SOEM库搭建EtherCAT主站。
EtherCATSOEM
11
Python在运动控制中的应用
Python与C/C++混合编程（ctypes、pybind11），Python调用底层驱动库实现实时控制。
Pythonpybind11
12
AI模型基础（一）
神经网络入门（MLP、CNN、RNN），使用PyTorch/TensorFlow构建简单回归/分类模型。
神经网络PyTorch
13
AI模型基础（二）
强化学习入门（Q-Learning、DQN），在Gym环境中训练倒立摆。
强化学习DQN
14
AI模型基础（三）
模仿学习与行为克隆，从专家轨迹中学习控制策略。
模仿学习行为克隆
15
模型部署与优化（一）
模型量化（INT8/FP16）、剪枝、蒸馏，使用TensorRT加速推理。
TensorRT量化
16
模型部署与优化（二）
ONNX模型转换与跨平台部署，在Jetson上运行优化后的模型。
ONNXJetson
17
AI运动控制核心算法（一）
基于学习的逆运动学求解（用神经网络替代解析解），处理冗余自由度。
逆运动学神经网络
18
AI运动控制核心算法（二）
基于强化学习的轨迹跟踪控制（DDPG、SAC算法），在仿真环境中训练。
DDPGSAC
19
AI运动控制核心算法（三）
基于视觉的抓取姿态估计（6D姿态估计），结合点云数据。
6D姿态点云
20
仿真环境搭建
使用MuJoCo/Isaac Gym搭建机械臂仿真环境，配置传感器与执行器接口。
MuJoCoIsaac Gym
21
数字孪生与Sim-to-Real
域随机化技术，在仿真中训练并迁移到真实机器人。
Sim-to-Real域随机化
22
运动控制器固件开发（一）
STM32 HAL库驱动编写（定时器中断、PWM生成、编码器读取）。
HAL库STM32
23
运动控制器固件开发（二）
闭环控制算法实现（PID、前馈控制、陷波滤波器），位置/速度/力矩模式切换。
PID前馈
24
运动控制器固件开发（三）
轨迹插补（直线插补、圆弧插补、样条插补），实时轨迹生成。
插补样条
25
上位机与交互界面
使用PyQt5/PySide6开发实时监控界面（示波器、状态显示、参数调节）。
PyQt5监控
26
AI推理引擎集成
在Jetson上部署TensorRT引擎，通过共享内存/ZeroMQ与STM32通信。
TensorRTZeroMQ
27
系统联调与性能优化
端到端延迟分析（从传感器到执行器），优化通信瓶颈与计算流水线。
延迟流水线
28
安全机制与故障处理
软限位、硬限位、急停逻辑，看门狗定时器与心跳检测，异常恢复策略。
安全看门狗
29
实战项目（一）
构建一个2-DOF机械臂，实现基于视觉的抓取与放置（AI规划路径+传统PID控制）。
机械臂视觉抓取
30
实战项目（二）
构建一个移动机器人平台，实现基于强化学习的自主导航与避障（激光雷达+IMU融合）。
移动机器人导航