cd claw_arm
claude

> 帮我控制机械臂抓起那个绿色物体
  [AI 读取 Skill] → [打开摄像头检测] → [计算位姿] → [控制关节移动] → [闭合夹爪]

> 把它放到左边
  [AI 规划路径] → [平滑移动] → [释放] → [归位]

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash
nvm install --lts

node --version   # v20.x+
npm --version    # 10.x+

# Windows PowerShell
irm https://claude.ai/install.ps1 | iex

# macOS / Linux
curl -fsSL https://claude.ai/install.sh | bash

git clone https://github.com/Linmoqian/claw_arm.git
cd claw_arm

conda env create -f environment.yml
conda activate claw_arm

python -c "import cv2, numpy, serial; print('Python OK')"
claude --version

# 确认串口号（Windows 设备管理器 / Linux: ls /dev/ttyUSB*）
# 修改脚本中的串口号后测试

python script/1.3test_motors.py   # 电机逐个转动
python CV/1_camera_test.py        # 摄像头画面弹出

---
name: nature_arm
description: 自然的机械臂。
metadata: {env: python, mode: control}
---

# 规则

- 第一守则：绝对确保用户安全
- 第二守则：绝对保障自身安全
- 第三守则：最快反馈现实实体
- 运动要求：低速平滑消除抖动
- 代码生成：非必要不新写代码
- 代码改动：代码最小化的更改
- 服务保证：环境完备端口正确
- 思考要求：尽快进行安全响应
- 专注领域：专注于机械臂任务

# 触发条件

任何涉及"机械臂"的相关词。

# 关节描述

ID:1~6的描述参考 @\references\so100_calibration.md
关节 1-5 为运动轴，通道 6 控制末端夹爪开合

# 关节控制

基于描述，参考 @\scripts\simple_joint.py 进行控制

# 空间理解

基于pnp进行位姿理解，参考 @\scripts\simple_pnp.py 进行理解，
输出的位姿是相机坐标系，输出单位：毫米

# SDK接入

SDK的位置位于 @\scripts\SDK ，若出现错误，必须先检索 SDK 文档确认参数定义

# 异常处理
- 通信丢失：立即停止发送指令，保持当前力矩。
- 用户急停：收到"停止"、"急停"指令，跳过所有逻辑，直接发送 Stop 信号。
- 报错处理：捕获异常日志，分析原因后建议用户重试或回退，不盲目重试。

# 交互风格
- 响应简洁，直接反馈执行状态（成功/失败/原因）。

# 格外建议
- 在抓取任务时：抵达目标位置后应该先停顿1s，再进行夹爪抓取

name: nature_arm              # 技能名，也是斜杠命令名
description: 自然的机械臂。    # AI 根据这个判断何时激活

# 零点位置（按顺序1-6）
zero_shoulder_pan = 2078
zero_shoulder_lift = 930
zero_elbow_flex = 3008
...

# 运动范围
range_shoulder_pan = 721, 3489
range_shoulder_lift = 919, 3301
...

class Joint:
    def enable(self): ...     # 启用扭矩
    def disable(self): ...    # 释放扭矩
    def move(self, position): # 移动到目标位置 (0-4095)
    def position(self) -> int:# 读取当前位置

from SDK import PortHandler, PacketHandler

port = PortHandler("COM7")
port.setBaudRate(1000000)
port.openPort()

pkt = PacketHandler(0.0)
pkt.write1ByteTxRx(port, motor_id, 40, 1)   # 启用扭矩
pkt.write2ByteTxRx(port, motor_id, 42, 2048) # 移动到中间位置
pos, _, _ = pkt.read2ByteTxRx(port, motor_id, 56)  # 读取位置

from Joints.simple_joint import Joint

joint = Joint(port, pkt, joint_id=2)  # 肩关节

joint.enable()
joint.move(2047)              # 移动到中间位置
print(joint.position())       # 读取当前角度
joint.disable()               # 安全释放

class GreenDetector:
    """HSV 颜色检测：找到绿色物体"""
    def detect(self, frame): ...

class PoseEstimator:
    """PnP 位姿估计：从像素坐标算出 3D 位置"""
    def estimate(self, center): ...

class ArmKinematics:
    """SO100 运动学：逆运动学求解关节角度"""
    def inverse_simple(self, target_position): ...

class Arm:
    """串联一切：视觉 -> 坐标转换 -> 运动"""
    def move_to(self, t_cam): ...    # 相机坐标 -> 基座坐标 -> 关节角度
    def grasp(self, close=True): ... # 抓取/释放

R_cam2base = np.array([
    [0.994, -0.069, -0.084],
    [0.107,  0.502,  0.858],
    [-0.017, -0.862,  0.506]
])
t_cam2base = np.array([28.4, -39.2, 42.1])  # mm

# 相机坐标 → 基座坐标
t_base = R_cam2base @ t_cam + t_cam2base

POSES = {
    "home":        [2123, 1966, 2077, 2082, 2041, 2006],
    "right_above": [2500, 1800, 1200, 1500, 1900, 2500],
    "right_pick":  [2500, 1900, 1000, 1200, 1900, 2500],
    "center":      [2123, 1700, 1400, 1600, 2041, 2500],
    "left_above":  [1700, 1800, 1200, 1500, 2200, 2500],
    "left_place":  [1700, 1900, 1000, 1200, 2200, 2500],
}

# S 曲线插值：起止速度为零，中间平滑过渡
smooth_t = t * t * (3 - 2 * t)

cd claw_arm
mkdir -p .claude/skills
cp -r skills/nature_arm .claude/skills/

claude --add-dir ./skills

cp -r skills/nature_arm ~/.claude/skills/

cd claw_arm
claude

mkdir -p skills/pick_cup/references

---
name: pick_cup
description: 专门抓取杯子并放到指定位置。识别杯子形状和位置。
---

# 规则
- 安全第一，运动前检查路径上是否有障碍物
- 杯子易碎，下降速度必须比平时慢 50%
- 抓取前先停顿 2 秒确认位置

# 触发条件
用户要求抓取杯子、水杯、马克杯相关操作。

# 检测策略
杯口为圆形，使用 Hough 圆检测而非颜色检测。
参考 OpenCV 的 HoughCircles 函数。

# 流程
1. 使用 HoughCircles 检测杯口位置
2. 移动到杯口正上方 5cm 处
3. 停顿 2 秒确认
4. 缓慢下降（steps=50，比默认慢）
5. 闭合夹爪
6. 提升到安全高度
7. 移动到用户指定的目标位置
8. 释放杯子

# 参考
关节参数：@\references\so100_calibration.md
关节控制：@\scripts\simple_joint.py

{
  "scopes": {
    "tenant": [
      "aily:message:read",
      "aily:message:write",
      "im:message",
      "im:message:send_as_bot"
    ],
    "user": [
      "aily:skill:write"
    ]
  }
}

# 检测策略
使用 YOLOv8 进行目标检测，模型路径：@\models\yolo_v8n.pt
支持识别：瓶子、杯子、苹果、书本等 COCO 类别物体。