stm32f103c8t6用pid算法控制五路循迹小车

时间: 2023-09-15 09:20:34 浏览: 41
好的,下面我将为您提供一些关于用PID算法控制五路循迹小车的基本思路和步骤。 1. 循迹传感器检测 首先,您需要使用五个循迹传感器进行检测。这些传感器将返回一个数字,表示当前车辆在轨道上的位置。这些数字将被用作PID算法的输入。 2. PID算法 PID算法是一种常用的反馈控制算法,用于调节系统的输出。它由三个参数组成:比例项、积分项和微分项。在循迹小车中,这些参数将用于控制车辆的速度和方向,以保持车辆在轨道上。 3. 设置PID参数 您需要根据您的应用设置PID参数。这通常需要进行一些试验和错误,以找到最佳的参数,以确保车辆在轨道上保持平稳。 4. 控制车辆 使用PID算法计算出车辆应该行驶的速度和方向,并将其应用到车辆的电机上,以控制车辆的运动。 总的来说,用PID算法控制五路循迹小车需要进行以下步骤:循迹传感器检测、PID算法、设置PID参数和控制车辆。希望这些基本思路和步骤对您有所帮助。
相关问题

stm32f103c8t6用pid算法控制五路循迹小车(无需测速,用直流电机控制)

好的,下面是一个简单的基于STM32F103C8T6的PID算法控制五路循迹小车的示例代码: ```c #include "stm32f10x.h" // 定义电机控制引脚 #define MOTOR_1_A_Pin GPIO_Pin_0 #define MOTOR_1_B_Pin GPIO_Pin_1 #define MOTOR_2_A_Pin GPIO_Pin_2 #define MOTOR_2_B_Pin GPIO_Pin_3 #define MOTOR_3_A_Pin GPIO_Pin_4 #define MOTOR_3_B_Pin GPIO_Pin_5 #define MOTOR_4_A_Pin GPIO_Pin_6 #define MOTOR_4_B_Pin GPIO_Pin_7 #define MOTOR_5_A_Pin GPIO_Pin_8 #define MOTOR_5_B_Pin GPIO_Pin_9 // 定义循迹传感器引脚 #define SENSOR_1_Pin GPIO_Pin_10 #define SENSOR_2_Pin GPIO_Pin_11 #define SENSOR_3_Pin GPIO_Pin_12 #define SENSOR_4_Pin GPIO_Pin_13 #define SENSOR_5_Pin GPIO_Pin_14 // PID参数 double kp = 0.5; double ki = 0.1; double kd = 0.1; // 循迹传感器阈值 int threshold = 500; // 当前偏差 int currentError = 0; // 上一次偏差 int lastError = 0; // 积分项 double integral = 0; // 微分项 double derivative = 0; // 目标速度(PWM占空比) int targetSpeed = 100; // 左右电机PWM值 int pwmLeft = 0; int pwmRight = 0; // 初始化GPIO void initGPIO() { RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOA, ENABLE); RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOB, ENABLE); GPIO_InitTypeDef GPIO_InitStruct; GPIO_InitStruct.GPIO_Pin = MOTOR_1_A_Pin | MOTOR_1_B_Pin | MOTOR_2_A_Pin | MOTOR_2_B_Pin | MOTOR_3_A_Pin | MOTOR_3_B_Pin | MOTOR_4_A_Pin | MOTOR_4_B_Pin | MOTOR_5_A_Pin | MOTOR_5_B_Pin; GPIO_InitStruct.GPIO_Mode = GPIO_Mode_Out_PP; GPIO_InitStruct.GPIO_Speed = GPIO_Speed_50MHz; GPIO_Init(GPIOA, &GPIO_InitStruct); GPIO_InitStruct.GPIO_Pin = SENSOR_1_Pin | SENSOR_2_Pin | SENSOR_3_Pin | SENSOR_4_Pin | SENSOR_5_Pin; GPIO_InitStruct.GPIO_Mode = GPIO_Mode_AIN; GPIO_Init(GPIOB, &GPIO_InitStruct); } // 读取循迹传感器值 void readSensors(int *sensorValues) { sensorValues[0] = ADC_GetConversionValue(ADC1); sensorValues[1] = ADC_GetConversionValue(ADC2); sensorValues[2] = ADC_GetConversionValue(ADC3); sensorValues[3] = ADC_GetConversionValue(ADC4); sensorValues[4] = ADC_GetConversionValue(ADC5); } // 控制电机 void controlMotors(int pwmLeft, int pwmRight) { if (pwmLeft > 0) { GPIO_SetBits(GPIOA, MOTOR_1_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_1_B_Pin); TIM_SetCompare1(TIM1, pwmLeft); } else if (pwmLeft < 0) { GPIO_ResetBits(GPIOA, MOTOR_1_A_Pin); GPIO_SetBits(GPIOA, MOTOR_1_B_Pin); TIM_SetCompare1(TIM1, -pwmLeft); } else { GPIO_ResetBits(GPIOA, MOTOR_1_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_1_B_Pin); TIM_SetCompare1(TIM1, 0); } if (pwmRight > 0) { GPIO_SetBits(GPIOA, MOTOR_2_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_2_B_Pin); TIM_SetCompare2(TIM1, pwmRight); } else if (pwmRight < 0) { GPIO_ResetBits(GPIOA, MOTOR_2_A_Pin); GPIO_SetBits(GPIOA, MOTOR_2_B_Pin); TIM_SetCompare2(TIM1, -pwmRight); } else { GPIO_ResetBits(GPIOA, MOTOR_2_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_2_B_Pin); TIM_SetCompare2(TIM1, 0); } if (pwmLeft > 0) { GPIO_SetBits(GPIOA, MOTOR_3_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_3_B_Pin); TIM_SetCompare3(TIM1, pwmLeft); } else if (pwmLeft < 0) { GPIO_ResetBits(GPIOA, MOTOR_3_A_Pin); GPIO_SetBits(GPIOA, MOTOR_3_B_Pin); TIM_SetCompare3(TIM1, -pwmLeft); } else { GPIO_ResetBits(GPIOA, MOTOR_3_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_3_B_Pin); TIM_SetCompare3(TIM1, 0); } if (pwmRight > 0) { GPIO_SetBits(GPIOA, MOTOR_4_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_4_B_Pin); TIM_SetCompare4(TIM1, pwmRight); } else if (pwmRight < 0) { GPIO_ResetBits(GPIOA, MOTOR_4_A_Pin); GPIO_SetBits(GPIOA, MOTOR_4_B_Pin); TIM_SetCompare4(TIM1, -pwmRight); } else { GPIO_ResetBits(GPIOA, MOTOR_4_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_4_B_Pin); TIM_SetCompare4(TIM1, 0); } if (pwmLeft > 0) { GPIO_SetBits(GPIOA, MOTOR_5_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_5_B_Pin); } else if (pwmLeft < 0) { GPIO_ResetBits(GPIOA, MOTOR_5_A_Pin); GPIO_SetBits(GPIOA, MOTOR_5_B_Pin); } else { GPIO_ResetBits(GPIOA, MOTOR_5_A_Pin); GPIO_ResetBits(GPIOA, MOTOR_5_B_Pin); } } // 计算PID控制量 void calculatePID(int *sensorValues) { currentError = 0; int sum = 0; for (int i = 0; i < 5; i++) { if (sensorValues[i] > threshold) { currentError += (i - 2) * sensorValues[i]; sum += sensorValues[i]; } } if (sum == 0) { currentError = 0; } else { currentError /= sum; } integral += currentError; derivative = currentError - lastError; lastError = currentError; pwmLeft = targetSpeed + kp * currentError + ki * integral + kd * derivative; pwmRight = targetSpeed - kp * currentError - ki * integral - kd * derivative; } int main(void) { // 初始化GPIO initGPIO(); // 初始化ADC RCC_APB2PeriphClockCmd(RCC_APB2Periph_ADC1 | RCC_APB2Periph_ADC2 | RCC_APB2Periph_ADC3 | RCC_APB2Periph_ADC4 | RCC_APB2Periph_ADC5, ENABLE); ADC_InitTypeDef ADC_InitStruct; ADC_InitStruct.ADC_Mode = ADC_Mode_Independent; ADC_InitStruct.ADC_ScanConvMode = ENABLE; ADC_InitStruct.ADC_ContinuousConvMode = ENABLE; ADC_InitStruct.ADC_ExternalTrigConv = ADC_ExternalTrigConv_None; ADC_InitStruct.ADC_DataAlign = ADC_DataAlign_Right; ADC_InitStruct.ADC_NbrOfChannel = 5; ADC_Init(ADC1, &ADC_InitStruct); ADC_Init(ADC2, &ADC_InitStruct); ADC_Init(ADC3, &ADC_InitStruct); ADC_Init(ADC4, &ADC_InitStruct); ADC_Init(ADC5, &ADC_InitStruct); ADC_RegularChannelConfig(ADC1, ADC_Channel_10, 1, ADC_SampleTime_55Cycles5); ADC_RegularChannelConfig(ADC2, ADC_Channel_11, 1, ADC_SampleTime_55Cycles5); ADC_RegularChannelConfig(ADC3, ADC_Channel_12, 1, ADC_SampleTime_55Cycles5); ADC_RegularChannelConfig(ADC4, ADC_Channel_13, 1, ADC_SampleTime_55Cycles5); ADC_RegularChannelConfig(ADC5, ADC_Channel_14, 1, ADC_SampleTime_55Cycles5); ADC_Cmd(ADC1, ENABLE); ADC_Cmd(ADC2, ENABLE); ADC_Cmd(ADC3, ENABLE); ADC_Cmd(ADC4, ENABLE); ADC_Cmd(ADC5, ENABLE); ADC_ResetCalibration(ADC1); ADC_ResetCalibration(ADC2); ADC_ResetCalibration(ADC3); ADC_ResetCalibration(ADC4); ADC_ResetCalibration(ADC5); while (ADC_GetResetCalibrationStatus(ADC1) || ADC_GetResetCalibrationStatus(ADC2) || ADC_GetResetCalibrationStatus(ADC3) || ADC_GetResetCalibrationStatus(ADC4) || ADC_GetResetCalibrationStatus(ADC5)); ADC_StartCalibration(ADC1); ADC_StartCalibration(ADC2); ADC_StartCalibration(ADC3); ADC_StartCalibration(ADC4); ADC_StartCalibration(ADC5); while (ADC_GetCalibrationStatus(ADC1) || ADC_GetCalibrationStatus(ADC2) || ADC_GetCalibrationStatus(ADC3) || ADC_GetCalibrationStatus(ADC4) || ADC_GetCalibrationStatus(ADC5)); ADC_SoftwareStartConvCmd(ADC1, ENABLE); ADC_SoftwareStartConvCmd(ADC2, ENABLE); ADC_SoftwareStartConvCmd(ADC3, ENABLE); ADC_SoftwareStartConvCmd(ADC4, ENABLE); ADC_SoftwareStartConvCmd(ADC5, ENABLE); // 初始化定时器 RCC_APB2PeriphClockCmd(RCC_APB2Periph_TIM1, ENABLE); TIM_TimeBaseInitTypeDef TIM_TimeBaseStruct; TIM_TimeBaseStruct.TIM_Prescaler = 72 - 1; TIM_TimeBaseStruct.TIM_CounterMode = TIM_CounterMode_Up; TIM_TimeBaseStruct.TIM_Period = 1000 - 1; TIM_TimeBaseStruct.TIM_ClockDivision = TIM_CKD_DIV1; TIM_TimeBaseStruct.TIM_RepetitionCounter = 0; TIM_TimeBaseInit(TIM1, &TIM_TimeBaseStruct); TIM_Cmd(TIM1, ENABLE); TIM_OCInitTypeDef TIM_OCInitStruct; TIM_OCInitStruct.TIM_OCMode = TIM_OCMode_PWM1; TIM_OCInitStruct.TIM_OutputState = TIM_OutputState_Enable; TIM_OCInitStruct.TIM_OutputNState = TIM_OutputNState_Disable; TIM_OCInitStruct.TIM_Pulse = 0; TIM_OCInitStruct.TIM_OCPolarity = TIM_OCPolarity_High; TIM_OCInitStruct.TIM_OCNPolarity = TIM_OCNPolarity_High; TIM_OCInitStruct.TIM_OCIdleState = TIM_OCIdleState_Reset; TIM_OCInitStruct.TIM_OCNIdleState = TIM_OCNIdleState_Reset; TIM_OC1Init(TIM1, &TIM_OCInitStruct); TIM_OC2Init(TIM1, &TIM_OCInitStruct); TIM_OC3Init(TIM1, &TIM_OCInitStruct); TIM_OC4Init(TIM1, &TIM_OCInitStruct); while (1) { int sensorValues[5]; readSensors(sensorValues); calculatePID(sensorValues); controlMotors(pwmLeft, pwmRight); } } ``` 这个代码中,我们使用了STM32F103C8T6的定时器和PWM功能来控制电机的转速,使用了STM32F103C8T6的ADC功能来读取循迹传感器的值,并通过PID算法计算出左右电机的PWM值,从而实现对五路循迹小车的控制。

stm32f103c8t6用pid算法写一个五路的循迹小车

首先,需要了解PID控制算法的基本原理。PID控制器是一种常见的控制器,它可以通过测量当前状态和目标状态之间的差异来计算输出信号,从而使系统稳定在目标状态。PID控制器由三部分组成:比例项、积分项和微分项,可以通过调整这三个项的权重来优化控制器的性能。 对于循迹小车,需要使用线性光敏二极管(LDR)传感器来检测车辆的位置,然后使用PID控制器来调整车轮的速度,使车辆沿着轨迹行驶。 以下是一个简单的 PID 控制器的实现示例: ```c #include <stdint.h> // PID控制器参数 #define KP 0.5 #define KI 0.2 #define KD 0.1 // PID控制器状态 typedef struct { float error; float error_sum; float error_diff; float last_error; } pid_state_t; // PID控制器初始化 void pid_init(pid_state_t *pid) { pid->error = 0; pid->error_sum = 0; pid->error_diff = 0; pid->last_error = 0; } // PID控制器计算输出 float pid_compute(pid_state_t *pid) { float output = 0; pid->error_diff = pid->error - pid->last_error; pid->error_sum += pid->error; output = KP * pid->error; output += KI * pid->error_sum; output += KD * pid->error_diff; pid->last_error = pid->error; return output; } // 检测传感器状态 uint8_t get_sensor_state(void); int main(void) { // 初始化PID控制器 pid_state_t pid; pid_init(&pid); // 循迹小车控制循环 while (1) { // 检测传感器状态 uint8_t sensor_state = get_sensor_state(); // 计算偏差值 float error = /* 根据传感器状态计算偏差值 */; // 更新PID控制器状态 pid.error = error; float output = pid_compute(&pid); // 根据PID输出控制车轮速度 /* 根据输出控制车轮速度 */ } } ``` 在这个示例中,我们使用了一个 `pid_state_t` 结构体来存储 PID 控制器的状态,其中包括当前偏差值、偏差值累加、偏差值差分和上一次偏差值。我们还定义了三个常量 `KP`、`KI` 和 `KD` 来设置比例、积分和微分项的权重。 在循迹小车的控制循环中,我们首先检测传感器状态,然后根据传感器状态计算偏差值。接着,我们更新 PID 控制器的状态,并通过调用 `pid_compute` 函数计算输出值。最后,根据输出值控制车轮速度,使车辆沿着轨迹行驶。 需要注意的是,这只是一个简单的示例,实际应用中需要根据具体的硬件和传感器进行调整。另外,循迹小车的控制循环还需要考虑避障、转向等因素,需要进一步完善和优化。

相关推荐

zip
基于PyTorch的Embedding和LSTM的自动写诗实验LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。
zip
CSDN IT狂飙上传的代码均可运行,功能ok的情况下才上传的,直接替换数据即可使用,小白也能轻松上手 【资源说明】 基于MATLAB实现的这个代码主要是研究手写数字的识别效率,用卷积神经网络算法来实现,用的是官方手写字体数据,能够显现百分之九十以上的识别率+使用说明文档 1、代码压缩包内容 主函数:main.m; 调用函数:其他m文件;无需运行 运行结果效果图; 2、代码运行版本 Matlab 2020b;若运行有误,根据提示GPT修改;若不会,私信博主(问题描述要详细); 3、运行操作步骤 步骤一:将所有文件放到Matlab的当前文件夹中; 步骤二:双击打开main.m文件; 步骤三:点击运行,等程序运行完得到结果; 4、仿真咨询 如需其他服务,可后台私信博主; 4.1 期刊或参考文献复现 4.2 Matlab程序定制 4.3 科研合作 功率谱估计: 故障诊断分析: 雷达通信:雷达LFM、MIMO、成像、定位、干扰、检测、信号分析、脉冲压缩 滤波估计:SOC估计 目标定位:WSN定位、滤波跟踪、目标定位 生物电信号:肌电信号EMG、脑电信号EEG、心电信号ECG 通信系统:DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测识别融合、LEACH协议、信号检测、水声通信 5、欢迎下载,沟通交流,互相学习,共同进步!

最新推荐

recommend-type

scrapy练习 获取喜欢的书籍

主要是根据网上大神做的 项目一 https://zhuanlan.zhihu.com/p/687522335
recommend-type

基于PyTorch的Embedding和LSTM的自动写诗实验.zip

基于PyTorch的Embedding和LSTM的自动写诗实验LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络(RNN)架构,用于处理具有长期依赖关系的序列数据。传统的RNN在处理长序列时往往会遇到梯度消失或梯度爆炸的问题,导致无法有效地捕捉长期依赖。LSTM通过引入门控机制(Gating Mechanism)和记忆单元(Memory Cell)来克服这些问题。 以下是LSTM的基本结构和主要组件: 记忆单元(Memory Cell):记忆单元是LSTM的核心,用于存储长期信息。它像一个传送带一样,在整个链上运行,只有一些小的线性交互。信息很容易地在其上保持不变。 输入门(Input Gate):输入门决定了哪些新的信息会被加入到记忆单元中。它由当前时刻的输入和上一时刻的隐藏状态共同决定。 遗忘门(Forget Gate):遗忘门决定了哪些信息会从记忆单元中被丢弃或遗忘。它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 输出门(Output Gate):输出门决定了哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。同样地,它也由当前时刻的输入和上一时刻的隐藏状态共同决定。 LSTM的计算过程可以大致描述为: 通过遗忘门决定从记忆单元中丢弃哪些信息。 通过输入门决定哪些新的信息会被加入到记忆单元中。 更新记忆单元的状态。 通过输出门决定哪些信息会从记忆单元中输出到当前时刻的隐藏状态中。 由于LSTM能够有效地处理长期依赖关系,它在许多序列建模任务中都取得了很好的效果,如语音识别、文本生成、机器翻译、时序预测等。
recommend-type

基于Java的云计算平台设计源码

云计算平台设计源码:该项目基于Java开发,包含126个文件,主要使用Java、JavaScript、HTML和CSS语言。该项目是一个云计算平台,旨在为用户提供一个高效、灵活的云计算服务,包括资源管理、虚拟化技术、分布式存储等功能,以满足不同用户的计算和存储需求。
recommend-type

grpcio-1.41.0-cp38-cp38-linux_armv7l.whl

Python库是一组预先编写的代码模块,旨在帮助开发者实现特定的编程任务,无需从零开始编写代码。这些库可以包括各种功能,如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库,如NumPy、Pandas和Requests,极大地丰富了Python的应用领域,从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径,而且为经验丰富的开发者提供了强大的工具,以高效率、高质量地完成复杂任务。例如,Matplotlib和Seaborn库在数据可视化领域内非常受欢迎,它们提供了广泛的工具和技术,可以创建高度定制化的图表和图形,帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

grpcio-1.44.0-cp310-cp310-linux_armv7l.whl

Python库是一组预先编写的代码模块,旨在帮助开发者实现特定的编程任务,无需从零开始编写代码。这些库可以包括各种功能,如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库,如NumPy、Pandas和Requests,极大地丰富了Python的应用领域,从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径,而且为经验丰富的开发者提供了强大的工具,以高效率、高质量地完成复杂任务。例如,Matplotlib和Seaborn库在数据可视化领域内非常受欢迎,它们提供了广泛的工具和技术,可以创建高度定制化的图表和图形,帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【实战演练】MATLAB用遗传算法改进粒子群GA-PSO算法

![MATLAB智能算法合集](https://static.fuxi.netease.com/fuxi-official/web/20221101/83f465753fd49c41536a5640367d4340.jpg) # 2.1 遗传算法的原理和实现 遗传算法(GA)是一种受生物进化过程启发的优化算法。它通过模拟自然选择和遗传机制来搜索最优解。 **2.1.1 遗传算法的编码和解码** 编码是将问题空间中的解表示为二进制字符串或其他数据结构的过程。解码是将编码的解转换为问题空间中的实际解的过程。常见的编码方法包括二进制编码、实数编码和树形编码。 **2.1.2 遗传算法的交叉和
recommend-type

openstack的20种接口有哪些

以下是OpenStack的20种API接口: 1. Identity (Keystone) API 2. Compute (Nova) API 3. Networking (Neutron) API 4. Block Storage (Cinder) API 5. Object Storage (Swift) API 6. Image (Glance) API 7. Telemetry (Ceilometer) API 8. Orchestration (Heat) API 9. Database (Trove) API 10. Bare Metal (Ironic) API 11. DNS
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。