<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[github_38060285的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/github_38060285</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; github_38060285]]></copyright><item><title><![CDATA[Flow Matching论文速读总结]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/160188334</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/160188334</guid><author>github_38060285</author><pubDate>Wed, 15 Apr 2026 18:37:31 +0800</pubDate><description><![CDATA[Flow Matching (FM) 是一种基于ODE的生成模型方法，通过学习速度场v_θ(x,t)定义从噪声到数据的连续路径。核心思想包括： 条件流匹配(CFM)通过噪声-数据对(x₀,x₁)构造直线插值路径x_t=tx₁+(1-t)x₀，速度场u_t=x₁-x₀ 训练目标简单直接：最小化预测速度与真实速度的MSE损失 相比DDPM，FM不需要噪声调度表，推理步数更少(5-10步) 主要变体包括标准CFM、OT-CFM(最优传输)、VP(连接DDPM)等 推理时通过ODE求解器(Euler/RK4等)从噪]]></description><category></category></item><item><title><![CDATA[论文复现8: 3D-Diffusion-Policy]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/159834380</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/159834380</guid><author>github_38060285</author><pubDate>Sat, 04 Apr 2026 22:40:59 +0800</pubDate><description><![CDATA[本文介绍了3D扩散策略(DP3)在机器人视觉模仿学习中的应用。DP3通过将三维视觉表征融入扩散策略，仅需少量演示即可高效学习复杂技能。实验表明，DP3在72个仿真任务中仅需10次演示即可完成大多数任务，性能提升24.2%；在4个真实机器人任务中仅需40次演示即达85%成功率，并展现出优异的泛化能力。文章还详细记录了在RTX 5090显卡上的复现过程，包括环境配置、依赖安装和常见问题解决方法，为读者提供了实用的技术参考。项目代码和数据集已开源。]]></description><category></category></item><item><title><![CDATA[Ubuntu24.04.3LTS常见软件和环境安装]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/155462442</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/155462442</guid><author>github_38060285</author><pubDate>Mon, 01 Dec 2025 20:53:22 +0800</pubDate><description><![CDATA[本文介绍了在Linux系统上安装常用软件和配置开发环境的步骤。主要包括：1）通过系统应用中心安装Pycharm、VS Code等稳定软件；2）详细说明Zotero、Xmind、ROS、ToDesk等工具的安装方法；3）环境配置部分涵盖Git、Miniconda、Docker等基础工具的安装；4）特别提供了VSCode+LaTeX的详细配置方案，包括编译工具设置、快捷键配置等。文章还提及使用ROS Docker解决Ubuntu 24版本兼容性问题，以及通过conda管理Python环境。这些配置适用于学术研究]]></description><category></category></item><item><title><![CDATA[Ubuntu24.04.3LTS+5090显卡驱动安装解决黑屏问题]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/155460496</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/155460496</guid><author>github_38060285</author><pubDate>Mon, 01 Dec 2025 19:58:48 +0800</pubDate><description><![CDATA[本文介绍了Ubuntu 24.04.3 LTS系统安装及NVIDIA 5090显卡驱动的配置方法。系统安装可直接使用官网ISO刻录，而显卡驱动安装需注意：1) 进入BIOS关闭Secure Boot；2) 在Recovery模式下卸载旧驱动并安装nvidia-driver-580-open版本；3) 修改grub配置文件添加nvidia-drm.modeset=1参数。最后通过nvidia-smi命令验证驱动安装成功。文中还提供了详细的命令行操作步骤和关键配置截图。]]></description><category></category></item><item><title><![CDATA[论文复现７：VoxPoser复现]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/145827663</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/145827663</guid><author>github_38060285</author><pubDate>Mon, 24 Feb 2025 21:11:12 +0800</pubDate><description><![CDATA[在这项工作中，我们旨在综合机器人轨迹，即6-DOF最终效应器航路点的密集序列，以鉴于开放设置的指令和开放设置的对象，以进行多种操纵任务。更重要的是，通过利用其代码编写功能，他们可以与视觉模型（VLM）进行交互，以构成3D值图，以将知识融入代理的观察空间中。然后，组成的值地图将在基于模型的计划框架中使用，以零击综合闭环机器人轨迹具有鲁棒性，对动态扰动。比较容易复现，过程中没有遇到bug，接下来就看怎么生成的３dmap了，如果可以真的很想迁移这部分，感觉有点cool。]]></description><category></category></item><item><title><![CDATA[论文复现６:aloha+rlbench]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/144964594</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/144964594</guid><author>github_38060285</author><pubDate>Mon, 06 Jan 2025 19:47:55 +0800</pubDate><description><![CDATA[这篇工作主要是作者通过结合aloha+rlbench，构建了一个非常方便的仿真环境，比较容易复现，适合新手仿真入门．RLBench本身支持Pandas，Coppliasim也包含有UR，KUKA，Sawyer等机械臂，作者git已经兼容了对UR、Sawyer、Pandas机械臂的支持。作者的git:https://github.com/Boxjod/RLBench_ACT。]]></description><category></category></item><item><title><![CDATA[robot 仿真环境安装测试 [持续更新]]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/144950139</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/144950139</guid><author>github_38060285</author><pubDate>Sun, 05 Jan 2025 20:25:44 +0800</pubDate><description><![CDATA[将持续更新各种robot simulation环境的安装过程．。]]></description><category></category></item><item><title><![CDATA[安装aloha硬件环境]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/138874399</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/138874399</guid><author>github_38060285</author><pubDate>Wed, 15 May 2024 06:14:37 +0800</pubDate><description><![CDATA[参考教程：http://www.rosrobot.cn/?下载安装Aloha功能包。]]></description><category></category></item><item><title><![CDATA[论文复现５：UMI Universal Manipulation Interface]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/138391594</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/138391594</guid><author>github_38060285</author><pubDate>Thu, 02 May 2024 14:55:55 +0800</pubDate><description><![CDATA[UMI 采用手持式夹具，加上精心的界面设计，可实现便携式、低成本和信息丰富的数据收集，以进行具有挑战性的双手和动态操作演示。配备这些功能后，UMI 框架解锁了新的机器人操作功能，只需更改每个任务的训练数据，即可实现零样本可推广的动态、双手、精确和长视野行为。我们通过全面的现实世界实验展示了 UMI 的多功能性和有效性，其中通过 UMI Zeroshot 学习的策略在对不同的人类演示进行训练时可以推广到新的环境和对象。项目主页：https://umi-gripper.github.io/]]></description><category></category></item><item><title><![CDATA[论文复现４，Awe：Waypoint-Based Imitation Learning for Robotic Manipulation]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/138359707</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/138359707</guid><author>github_38060285</author><pubDate>Wed, 01 May 2024 16:07:04 +0800</pubDate><description><![CDATA[复现aloha增加航点预处理，代码根据官方代码链接：https://github.com/lucys0/awe。因为是在远程和local都安装过一次，遇到问题有点频繁，所以安装过程和问题一起写的，应该是挺全了。Q７.　如果报错： No module named ‘modern_robotics’这里我们只复现不做代码解析，详情还是看aloha两篇论文一起理解下～]]></description><category></category></item><item><title><![CDATA[复现ChatGLM-6B]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/137440521</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/137440521</guid><author>github_38060285</author><pubDate>Sat, 06 Apr 2024 23:06:25 +0800</pubDate><description><![CDATA[ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB。报错信息在这里注意一下版本问题，我踩到了pydantic的报错，找了很久，最后发现是版本问题．权重开放：https://huggingface.co/THUDM/chatglm-6b。项目代码https://github.com/THUDM/ChatGLM-6B。]]></description><category></category></item><item><title><![CDATA[复现chatgpt_ros,需要openapi key]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/137408417</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/137408417</guid><author>github_38060285</author><pubDate>Fri, 05 Apr 2024 23:54:10 +0800</pubDate><description><![CDATA[现在ｕbuntu系统是20.04+ros1，现在用docker新建并安装ros2：https://blog.youkuaiyun.com/Neutionwei/article/details/108968733，３，进入docker, 复现项目步骤和命令。报错了－－－明天继续＋该下文件挂载。]]></description><category></category></item><item><title><![CDATA[论文复现３：Stable Diffusion v1]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/137126255</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/137126255</guid><author>github_38060285</author><pubDate>Thu, 28 Mar 2024 22:38:07 +0800</pubDate><description><![CDATA[通过将图像形成过程分解为去噪自动编码器的顺序应用，扩散模型 (DM) 在图像数据及其他方面实现了最先进的合成结果。此外，他们的公式允许一种指导机制来控制图像生成过程，而无需重新训练。然而，由于这些模型通常直接在像素空间中运行，因此强大的 DM 的优化通常会消耗数百个 GPU 天，并且由于顺序评估，推理成本很高。为了在有限的计算资源上进行 DM 训练，同时保持其质量和灵活性，我们将它们应用在强大的预训练自动编码器的潜在空间中。]]></description><category></category></item><item><title><![CDATA[论文复现２： YOLOv5 DeepSORT视频追踪]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/137125904</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/137125904</guid><author>github_38060285</author><pubDate>Thu, 28 Mar 2024 22:14:52 +0800</pubDate><description><![CDATA[YOLOv5 DeepSORT是视频检测跟踪算法，结合了YOLOv5的目标检测和DeepSORT的目标跟踪能力。它具备实时性能、高准确性以及稳定的目标跟踪能力，为行人和车辆等实时监测和分析提供了有效的解决方案。直接在github找的综合代码，没有做分别训练，因为我要实现的就一个类，所以直接用的yolov5m.pt，主要在跟踪上．。]]></description><category></category></item><item><title><![CDATA[论文复现１：Ｍobilealoha]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/135004866</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/135004866</guid><author>github_38060285</author><pubDate>Thu, 28 Mar 2024 22:01:32 +0800</pubDate><description><![CDATA[从人类演示中进行的模仿学习在机器人技术中表现出了令人印象深刻的表现。然而，大多数结果都集中在桌面操作上，缺乏一般有用任务所需的移动性和灵活性。在这项工作中，我们开发了一种用于模仿双手且需要全身控制的移动操纵任务的系统。我们首先推出 Mobile ALOHA，这是一种用于数据收集的低成本全身远程操作系统。它通过移动底座和全身遥控操作界面增强了 ALOHA 系统。然后，我们使用 Mobile ALOHA 收集的数据执行监督行为克隆，并发现与现有静态 ALOHA 数据集的联合训练可以提高移动操作任务的性能。]]></description><category></category></item><item><title><![CDATA[Ubuntu第N次重裝-20.04重装及软件和代码环境配置记录]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/136887822</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/136887822</guid><author>github_38060285</author><pubDate>Wed, 20 Mar 2024 21:00:57 +0800</pubDate><description><![CDATA[【代码】Ubuntu第N次重裝-20.04。]]></description><category></category></item><item><title><![CDATA[ubuntu踩坑笔记-indicator-multiload]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/135004884</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/135004884</guid><author>github_38060285</author><pubDate>Thu, 14 Dec 2023 21:37:55 +0800</pubDate><description><![CDATA[最后排查排查，到最后发现是gnome-shell内存飙到来30%+，然后解决方案是各种内存泄露问题，然后就是一直监控，到最后发现是我受某博客添加的indicator-multiload，我还按教程增加了开机自启，本来还挺美，实时监控。结果内存不断爆炸，我加了64g+2T，还没跑代码呢各种卡死，要是有钱内存无线大就随便，我是丐版配置……电脑卡死现象依然存在，还是键盘鼠标机箱灯光正常，桌面卡死，syslog日志在卡死阶段日志缺失，一度又以为是不是装机的时候内存没搞好。]]></description><category></category></item><item><title><![CDATA[jetson orin+livox mid-70+imu+云台相机联合标定和数据采集]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/132066449</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/132066449</guid><author>github_38060285</author><pubDate>Wed, 02 Aug 2023 21:32:04 +0800</pubDate><description><![CDATA[准备将之前无人机上的x86多源数据采集和联合标定算法重建在新板子jetson orin上，解决之前采集数据时间戳没对齐的问题。]]></description><category></category></item><item><title><![CDATA[ubuntu踩坑笔记--开机进入recovering journal解决方法]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/130227333</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/130227333</guid><author>github_38060285</author><pubDate>Tue, 18 Apr 2023 17:55:16 +0800</pubDate><description><![CDATA[原因：磁盘空间占满无法启动，这个问题踩坑两次，都是因为./local/share/xorg中的老日志。但是可能进入recovering journal的原因不止磁盘沾满哈。
检测自己是不是因为磁盘空间无法启动，重启按ESC进入grub模式，

并选择recovery mode选项。

resume:恢复正常启动，有的人选这个就可以进入系统
clean:清除磁盘中不必要的文档
dpkg:修复受损的安装包
fsck:磁盘检查与修复
grub:更新grub引导
network：带网络连接的shell界面
root]]></description><category></category></item><item><title><![CDATA[MIAOD学习-训练阶段中的变量与参数]]></title><link>https://blog.youkuaiyun.com/github_38060285/article/details/129285710</link><guid>https://blog.youkuaiyun.com/github_38060285/article/details/129285710</guid><author>github_38060285</author><pubDate>Wed, 01 Mar 2023 17:13:50 +0800</pubDate><description><![CDATA[用于目标检测任务的一个主动学习算法，paper:abstract:尽管图像识别的主动学习取得了实质性进展，但仍然缺乏专门用于目标检测的实例级主动学习方法。在本文中，我们提出了多实例主动对象检测（MI-AOD），通过观察实例级不确定性来选择信息最丰富的图像进行检测器训练。MI-AOD定义了实例不确定性学习模块，它利用在标记集上训练的两个对抗性实例分类器的差异来预测未标记集的实例不确定性。]]></description><category></category></item></channel></rss>