使用JS获取Ajax传输的map键值对

最新推荐文章于 2025-07-27 16:01:21 发布
最新推荐文章于 2025-07-27 16:01:21 发布
阅读量1.2k 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： js ajax
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/BigSunIsStrong/article/details/102942757
本文介绍了一个使用未封装Ajax实现的聊天室项目，详细讲解了如何将消息和用户对象存储在Map集合中，并通过jsonObject格式输出。文章还探讨了从前端页面获取这些数据的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

#Ajax
这个聊天室项目是用未封装的ajax拿来练手的，把消息对象集合List<'message>和用户对象List<'user>集合封装在同一个Map集合中
将Ajax返回来的值赋值给jsonString
因为jsonObject输出的格式为{“键”:[“键”:值]}
就是存储格式Map{“username”,List<Object};

获取的话需要循环用获取所有值，
语法:jsonObject.键名[i]; //这里的键名是Map的键名。


发送消息时存储进消息集合，并且用存进Message对象中 方便后来取 上面的message.uname 就是这样的来的
在这里插入图片描述

在这里插入图片描述
这里是取了历史聊天数据之后再一并存入map集合中 然后json传到前台页面，前台获取就是上面的图片。

机器人抓取：从深度学习、强化学习到VLA与VLM
强化学习曾小健
04-24 541
资深机器人专家，卡耐基梅隆大学博士曾作为团队的技术负责人就职于网易伏羲，阿里巴巴达摩院和新加坡科研局，成功落地过多个项目和产品。2017年在卡耐基梅隆大学获得博士学位，2010年在南洋理工大学获得学士学位，其主要研究方向为机器人与自动驾驶；在RSS，ICRA，IROS，CORL，RAL，CVPR，ACL，NeurlPS，TPAMI等会议和刊物上发表多篇论文。
基于强化学习的机器人控制：从仿真到现实
AI天才研究院
06-28 1072
本文旨在为读者提供基于强化学习的机器人控制技术的全面指南，特别关注从仿真环境训练到现实世界部署(sim2real)的完整流程。我们将覆盖从基础理论到实际应用的各个方面，包括算法选择、仿真环境搭建、训练策略、迁移技术以及现实世界部署的挑战和解决方案。文章首先介绍强化学习在机器人控制中的基本概念，然后深入探讨仿真训练和现实迁移的技术细节。接着通过实际案例展示完整实现流程，最后讨论应用场景、工具资源和未来趋势。强化学习(RL)：一种机器学习范式，智能体通过与环境交互学习最优策略以获得最大累积奖励。机器人控制。
2025ICRA 最佳论文解读：麻省理工PolyTouch：一种多模态触觉传感器以及基于触觉扩散策略的接触丰富操作方法
qq_44683998的博客
06-15 827
olyTouch 传感器凭借其多模态、高精度、宽范围、快速响应等优势，为机器人提供了强大的触觉感知能力；而基于触觉扩散策略的操作方法则有效地解决了复杂接触环境下机器人的动作规划和决策问题，显著提升了机器人的操作性能和智能化水平。
一个非常好的思路：VLM See, Robot Do
weixin_68094467的博客
01-19 1050
今天再给大家分享一个非常好的思路，希望对于大家科研或者是做项目有帮助。它也是基于VLM来去做的。核心思想就像标题说的那样，让VLM来去看，然后让机器人来去执行。VLM就好像是机器人的眼睛和大脑一样。
VLM: Task-agnostic Video-Language Model Pre-training for Video Understanding
afanti_1的博客
04-16 1598
VLM: Task-agnostic Video-Language Model Pre-training for Video Understanding VLM：用于视频理解的任务无关的视频语言模型预训练
李飞飞团队提出模态链，机器人仅凭人类演示视频就能精准操作，准确率提升 200% 。
2401_84494441的博客
05-16 690
从人类视频中学习执行操作任务是一种很有前景的机器人教学方法。然而，许多操作任务在执行过程中需要改变控制参数，比如力，而仅靠视觉数据无法捕捉这些信息。在这项工作中，本文利用臂带等传感设备来测量人类肌肉活动，以及麦克风来记录声音，以此捕捉人类操作过程中的细节，使机器人能够提取任务计划和控制参数，进而执行相同的任务。为实现这一目标，本文提出模态链（CoM），这是一种提示策略，能让视觉语言模型对多模态人类演示数据（即结合了肌肉或音频信号的视频）进行推理。
具身智能方向的毕业生能做什么？秋招岗位汇总看过来！
CV_Autobot的博客
12-17 1162
点击下方卡片，关注“具身智能之心”公众号具身智能方向的毕业生能做什么？别急，具身智能之心在此为大家调研了秋招岗位信息，包括校招、实习的共性岗位职责与要求，按照算法类、研究类、开发类、硬件类、机械类、管理类汇总如下，供大家参考！1 算法类共性岗位职责前沿算法研究与跟踪：参与工业 / 学术界相关领域前沿算法的跟踪与复现，研究如具身智能大模型、机器人运动控制、操作算法、多模态大模型等方向的前沿算法。算法...
51c大模型~合集139
whaosoft~aiotの开发板商城
06-14 1044
在缺乏这些条件的情况下，此类方法往往会产生错误的估计。该研究的主要贡献是一组名为 PixMo 的新数据集，其中包括一个用于预训练的高精度图像字幕数据集、一个用于微调的自由格式图像问答数据集以及一个创新的 2D 指向数据集，所有这些数据集均无需使用外部 VLM 即可收集。他的博士工作聚焦于端到端几何推理框架的创新，曾主导开发了 PoseDiffusion、VGGSfM，以及本次提出的通用 3D 基础模型 VGGT，相关成果均发表于 CVPR、ICCV 等顶级会议，推动了数据驱动式 3D 重建技术的演进。
东北大学获ICRA2017 RM机器人挑战赛冠军.pdf
08-14
东北大学在国际机器人与自动化会议（ICRA）2017的机器人运动（RM）挑战赛中荣获冠军，这一成就无疑展示了中国机器人技术的实力与潜力。从相关描述中，我们可以提取出多个知识点，这些知识点围绕机器人、机器学习、...
德国汉堡大学、清华大学联合英国布里斯托机器人实验室的研究工作分享：基于视觉遥操作的多指机械手灵巧操作
weixin_44887311的博客
07-20 927
进一步受示教学习中轨迹编码方法的启发，复杂的运动轨迹可有一组简单的基元叠加表示，将阻抗与前馈力分别表示成参数与高斯基向量的内积形式，从而可以通过调节参数而间接地调节阻抗与前馈力。视觉信息处理模块的作用是映射示教者的手势图像到机械手的关节角度，力控模块的作用是计算得到期望控制关节力矩以控制手指运动完成相应操作。基于Gazebo和ROS搭建了仿真平台，在拧瓶盖、开门等多个场景中开展了实验（示例见下图），并与现有常用的基于位置模式机械手控制方式进行了对比，实验表明所提出的方法能够有效提高交互的柔顺性。
基于多模态路标跟踪的紧耦合激光—视觉—惯导里程计（ICRA2021）
qq_29462849的博客
11-08 1825
Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry来源：Wis...
智能迎宾的认知革命：Deepoc具身智能如何让机器人读懂人类微语言
Deepoch的博客
07-23 661
上海国际会议中心的迎宾大厅，一台服务机器人突然优雅侧身。识别外宾的困惑表情，自动切换英语降低语速；获得“人文感知力”，那些毫米级的礼仪动作精度、毫秒级的情绪响应、持续进化的服务策略，都在诠释技术如何以最温暖的方式传递尊重。服务革命的本质，不过是教会钢铁读懂人心的温度。当机械接待员被赋予“洞察潜在需求、理解模糊指令、预判服务动线”的能力，服务行业正经历从机械应答到情感交互的范式变革。调节屏幕角度适应儿童视线；这块仅重150g的板卡，已成为传统设备通往情感化服务的桥梁。​：在嘈杂中提取“找充电桩”等核心诉求。
草木知音的认知进化：Deepoc具身智能如何让除草机器人读懂大地密语
Deepoch的博客
07-25 1059
当视觉系统识别到葡萄藤缠绕的菟丝子，机械臂末端的微型刀片如手术钳般精准旋切寄生藤蔓；检测到湿润土壤中的蚯蚓活动区，机身自动抬升底盘减少压力；获得“大地感知力”，那些毫米级的根茎识别精度、秒级响应的生态保护、持续进化的养护策略，都在诠释技术如何以最谦卑的方式守护生命网络。农业革命的本质，不过是教会钢铁读懂草木的语言。当钢铁躯壳被赋予“辨识生命特征、理解生态语义、预判损伤风险”的能力，农业养护正经历从机械切割到智慧共生的范式跃迁。这块仅重210g的板卡，已成为传统农机通往生态农业的桥梁。
字节的机器人模型 GR-3
yorkhunter的博客
07-24 1118
25年7月字节发布技术报告“GR-3 Technical Report”。 这是字节在通才机器人策略方面的最新进展，即 GR-3 的开发。GR-3 是一个大规模的视觉-语言-动作 (VLA) 模型。它展现出卓越的泛化能力，能够泛化至新物体、新环境以及涉及抽象概念的指令。此外，它能够利用极少的人类轨迹数据进行高效微调，从而快速且经济高效地适应新环境。GR-3 还擅长处理长范围和灵巧的任务，包括需要双手操作和移动的任务，展现出稳健可靠的性能。这些能力是通过多方面的训练方案实现的，包括与网络规模的视觉-语言数据
商汤发布具身智能平台，让机器人像人一样和现实世界交互
最新发布
szqx2025的博客
07-27 388
用户仅需要输入简单的提示词，比如“在厨房区域的架子上找东西”，“进入娱乐室、向右转，然后打开通往院子的门”等等，具身世界模型就能自主进行位姿、动作骨架和指令的生成。现场，商汤科技董事长兼首席执行官徐立展示了搭载具身世界引擎的人形机器人，生动讲解“长安的荔枝”PPT的效果，语言自然，风趣幽默，不仅可以自动翻页，还能回答各类问题，并进行阶段性小结。「悟能」具身智能平台可赋能机器人等各种终端硬件，实现对世界万物的感知理解能力，并支持嵌入到端侧芯片，具有强大的场景适配性。
开发者说｜RoboTransfer：几何一致视频世界模型，突破机器人操作泛化边界
地平线开发者
07-26 588
近日，地平线、极佳科技与中国科学院自动化研究所等单位提出RoboTransfer，基于扩散模型的视频生成框架，可以用于扩充机器人策略模型的训练数据。得益于合成数据的多样性，下游策略模型能够在新场景下取得251%的显著提升，大幅提升策略模型的泛化性，为具身智能的通用性与泛化性奠定了坚实的基础。
舌尖上的智慧守护者：Deepoc具身智能如何重塑送餐机器人的“温度传递”
Deepoch的博客
07-23 494
视觉系统识别到奔跑的儿童轨迹，提前2米刹停并发出柔和提示音；获得“服务共情力”，那些毫米级的避障精度、秒级响应的需求预判、持续进化的服务策略，都在诠释技术如何以最温暖的方式传递人文关怀。餐饮革命的本质，不过是教会钢铁读懂唇齿间的期待。当机械侍者被赋予“预判动态风险、理解肢体语言、协同人机配合”的能力，餐饮服务正经历从机械运输到情感传递的范式变革。实现：识别地面油渍触发防滑模式；这块仅重120g的板卡，已成为传统设备通往人性化服务的桥梁。米其林餐厅实测显示，送餐事故率下降98%，顾客满意度提升150%。
[特殊字符] VLA 如何“绕过”手眼标定？—— 当机器人学会了“看一眼就动手”
m0_51738372的博客
07-25 918
VLA模型：从“手眼标定”到“看一眼就动手”的范式跃迁 传统机器人依赖精确的手眼标定来建立视觉与动作的几何关系，而新兴的VLA（Vision-Language-Action）模型通过端到端学习实现了“隐式标定”。VLA直接根据图像和自然语言指令输出动作轨迹，省去了显式的坐标变换过程。其核心在于通过海量训练数据内化空间关系映射，类似人类直觉式操作。这种范式虽带来部署简便、交互自然等优势，但也面临硬件固定依赖、数据需求高、可解释性差等挑战。未来发展方向可能是结合VLA语义理解与传统几何精度的混合架构。
锁付机器人,如何精准锁附革新新能源锂电装配效率
lingling009的博客
07-23 1008
其实呢，随着科技的不断发展，新能源电池、智能制造、精密装配、工艺升级以及工业自动化这些领域都在飞速前进。新能源行业如今可是炙手可热，中国新能源行业进入快速发展阶段，就像一列高速行驶的火车，势不可挡。在这个过程中，各种新技术、新设备不断涌现，在锂电、风电、光伏等领域开始逐渐替代传统发挥协作生产优势。锁付机器人作为其中的一员大将，也在不断革新新能源锂电装配效率，为行业带来新的活力。
vlm大模型
03-14
### 视觉语言模型 (VLM) 大模型简介 视觉语言模型（Visual Language Model, VLM）是一类结合了计算机视觉和自然语言处理能力的多模态模型。这类模型能够理解并生成与图像、视频等相关联的文字描述，从而实现跨模态的任务支持。 #### 架构概述 VLM 的核心架构设计通常依赖于两种主要组件：**视觉编码器**和**语言解码器**。 - **视觉编码器**负责提取输入图像或视频中的特征信息。常见的视觉编码器包括基于 Transformer 的结构以及卷积神经网络（CNN），例如 ResNet 或 ViT（Vision Transformers）。在某些情况下，会采用自监督学习方法来预训练视觉编码器，比如 DINO 模型所使用的 Teacher-Student 架构[^3]。 - **语言解码器**则用于生成针对视觉内容的语言表达。这部分常由强大的 NLP 模型构成，如 BERT、GPT 及其变体。两者通过特定机制融合在一起，形成一个多模态交互框架。 具体到实现细节上，在一些开源项目里可以看到如何利用 PyTorch 将图片分割成若干小块后再映射至固定长度向量空间的例子[^4]: ```python import torch.nn as nn class PatchEmbedding(nn.Module): def __init__(self, img_size=224, patch_size=16, embed_dim=512): super().__init__() self.proj = nn.Conv2d(3, embed_dim, kernel_size=patch_size, stride=patch_size) def forward(self, x): x = self.proj(x).flatten(2).transpose(1, 2) return x ``` #### 应用场景分析 得益于其出色的多模态处理性能,VLM 被广泛应用于多个领域: - **视频字幕生成**: 给定一段未标注过的视频片段,VLM 能够自动为其配上合适的文字说明. - **语义搜索引擎优化**: 用户上传一张照片或者简单描述需求之后,系统借助 VLM 提供更加精准的结果匹配服务.[^2] 尽管如此,值得注意的是并非所有的优秀作品都会第一时间出现在 Vision Arena 或者 Open VLM Leaderboard 上面;如果希望探索更多可能性的话,Hugging Face Model Hub 等平台或许是一个不错的选择途径之一.[^1]
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值