- 博客(19)
- 收藏
- 关注
RSS订阅原创 SLAM网络学习12关 · 第2关：让网络有“非线性”
回归任务（如深度估计）：不需要，直接输出数值二分类：加Sigmoid，输出概率多分类：加Softmax，输出概率分布做深度估计时，新手易加ReLU（觉得深度>0），但实际网络输出可能为负，ReLU会强制变0导致梯度消失。正确做法是不加激活函数，让网络自由输出，损失函数会约束它。✅ 理解了为什么需要激活函数（引入非线性）✅ 掌握了 ReLU 的公式和特点✅ 了解了其他激活函数（Sigmoid、Tanh、LeakyReLU）✅ 学会了在卷积层之间插入激活函数。
2026-06-06 08:39:42
316
原创 【PyTorch 入门第 1 关】从零手写最小卷积网络｜吃透 nn.Conv2d、[B,C,H,W]、通道避坑全指南
本文详细讲解了卷积神经网络的基础知识，重点包括： 输入输出形状[B,C,H,W]的含义，分别代表批次大小、通道数、高度和宽度 二维卷积的工作原理：通过滑动窗口提取局部特征 常见误解澄清：一个卷积核同时处理所有输入通道 nn.Conv2d的参数说明及使用方式 参数间数值关系：in_channels必须与上一层out_channels匹配，kernel_size与padding的搭配规则 网络构建基础：继承nn.Module类的方法 提供了完整的代码示例和常见参数组合速查 文章最后还包含过关测试题（选择题、填空
2026-06-06 08:35:55
215
原创 不依赖 IMU / 标定：VGGT-SLAM 回环检测的轻量化方案解析
VGGT-SLAM2.0创新性地简化了回环检测流程，通过复用前端VGGT网络提取的几何注意力特征，无需额外训练词袋模型或依赖IMU等硬件。该方法利用几何结构不变性实现鲁棒检测，结合SL(4)优化算法同时校正旋转、平移和尺度漂移，在保持轻量化的同时有效提升闭环精度。相比传统方案，该系统省去了词袋构建、特征匹配等复杂步骤，显著降低了计算成本和部署难度，为SLAM系统提供了更简洁高效的解决方案。
2026-05-20 16:28:08
548
原创 颠覆认知！LLM Agent 统一调度 SLAM 前端/后端/回环，这才是下一代智能 SLAM！
LLM Agent 调度 SLAM 的核心价值，是让 SLAM 从“算法模块”升级为“智能系统”，可提升数倍算力利用率、大幅增强复杂环境鲁棒性，实现一套算法适配所有场景，更是自主机器人、AGV、人形机器人的必备能力——它不是可选项，是未来必选项。看到这里，相信很多SLAM开发者都会有共鸣——我们钻研算法、调参优化，本质上就是想让SLAM更智能、更好落地，而Agent的出现，直接跳过了“重复调参”的弯路，一步到位实现智能SLAM。室外大场景（比如园区、港口）→ Agent开启“强化回环”，提升匹配精度。
2026-03-27 21:59:32
609
原创 实战 (二)｜5 分钟搞定 LLM Agent 驱动 SLAM 回环检测：精度飙升，量化匹配重构核
本文针对LLM驱动的SLAM回环检测系统进行精度升级，提出两大核心改进：1）通过文本嵌入技术实现语义向量化，将模糊文本转为可计算的数值特征；2）构建语义相似度（70%）、轨迹长度（20%）和形状（10%）的三维度加权量化匹配体系，替代纯LLM主观判断。实测显示该方法使精准率提升30%以上，有效解决相似场景误检问题，满足工业级SLAM对精度和稳定性的要求。文章提供完整可运行的工程代码，包含语义缓存、API重试等优化措施，支持快速部署应用。
2026-03-25 20:45:00
725
原创 拆穿机器人假象：看似灵活，其实还没真正 “会动”
摘要：虽然大语言模型(LLM)在文本处理、逻辑推理等"文科"领域表现出色，但机器人的实时物理控制仍面临五大挑战：毫秒级响应要求、物理世界不确定性、感知控制链路断裂、数据稀缺及安全问题。当前LLM+机器人方案采用分层架构，LLM仅负责高层决策，而运动规划和底层控制仍需传统算法。未来突破方向包括具身智能模型、端到端学习和LLM监督控制。机器人自主控制的核心难点在于SLAM、感知、实时系统等"理科+工科"领域，这些硬核技术才是实现真正智能机器人的关键。（149字）
2026-03-20 20:45:00
592
原创 一张图看懂：6 年时间，Agent 如何一步步带SLAM飞升“仙界”
下面这张时间轴，其实就是一场。从 2021 年多智能体协同奠基，到 2024 年 3DGS 全面落地，再到 2025–2026 年 LLM 全面接管，Agent 正在把 SLAM 从 “只会定位的眼睛” 升级成 “能懂会想的大脑”。异构机器人怎么协同？长时序漂移怎么压？相似场景回环怎么不误判？以前都是瓶颈，现在只要一个 Agent 就能把关键问题拎出来解决。无论是自动驾驶、服务机器人，还是数字孪生场景，Agent×SLAM 都正在从 “实验室玩法” 走向 “真・落地应用”。
2026-03-19 21:00:00
147
原创 Agent 赋能 SLAM：用大模型智能体做回环与重定位的「粗定位大脑」
本文探讨大模型智能体（Agent）与SLAM技术的融合应用，重点分析Agent作为SLAM回环检测与重定位"粗定位大脑"的核心价值。传统SLAM粗定位依赖特征点匹配，存在动态场景适应性差、语义理解缺失等局限。Agent通过高层语义理解、上下文推理和不确定性处理能力，可大幅提升粗定位效率，形成"Agent粗定位+传统方法精定位"的创新流程。文章提供可落地的Python代码示例，展示基于语义相似度的粗定位实现，并指出轻量化优化、交叉验证等关键注意事项。随着大模型技术发展，
2026-03-18 20:45:00
1406
原创 第 5 篇 | 接入 PS API 工具系统：给 AI 智能体装 “手脚”，从 “能回答” 到 “能做事”
本文介绍了如何为AI智能体接入PSAPI工具系统，实现从理论解答到实际操作的升级。主要内容包括：1）搭建适配通义千问LLM的LangChain工具调用框架；2）以Remove.bg API为例封装PSAPI工具类；3）实现完整业务流程（提问→解析→调用→返回）；4）兼容记忆模块保持上下文连贯性。文章提供了4种工具封装模板（API调用/本地函数/数据库/新手友好型），并详细演示了Remove.bg抠图工具的实现过程。最后整合LLM、工具和记忆模块，构建出完整的工具调用智能体。本系列将持续升级智能体功能，实现多
2026-03-15 07:48:56
938
原创 从 “养虾” 到 “抢入口”：一文看透 AI 龙虾 (OpenClaw) 的真相、大厂混战与底层逻辑
从技术本质来看，“龙虾”（OpenClaw 类 AI Agent）是 AI 从认知层到执行层的关键技术跃迁，是生产力工具的全新形态，大厂的 “抢虾大战”，本质是对 AI 时代生态主权的争夺 —— 谁能让 AI 真正落地到实际业务、真正解放人类生产力，谁就能掌握未来数字经济的话语权。普通个人用户：无需纠结部署形态，重视隐私选本地部署（如智谱 AutoClaw），追求便捷选云端 SaaS（如字节 ArkClaw），习惯微信 / 飞书办公选IM 插件（如腾讯 WorkBuddy）；技术开发者。
2026-03-14 21:05:27
2001
原创 别被 “养龙虾” 割韭菜！OpenClaw 再火，普通人也难靠它发财
近期 OpenClaw（俗称 “龙虾”）在全网掀起热潮，“养龙虾躺赚”“零门槛暴富” 的说法甚嚣尘上，仿佛只需安装软件就能坐等收益自动到账。但事实真的如此吗？作为技术从业者，必须提醒各位普通人：这波 “龙虾热” 并非暴富风口，而是资本布下的收割局，盲目跟风最终大概率竹篮打水一场空，甚至倒贴钱惹上麻烦。对企业：能有效节省运营成本、提升工作效率，具备实际的商业价值；对普通人：只是 “烧钱不讨好” 的玩具，资本鼓吹 “养龙虾发财”，本质是想让普通人掏钱买硬件、买 API、买会员，替其分摊研发和算力成本；
2026-03-14 21:02:22
455
原创 LangChain实战：给通义千问装记忆中枢，实现多轮连贯对话（附源码）
memory = ConversationBufferMemory(memory_key="history", chat_memory=chat_history, return_messages=True, human_prefix="用户", ai_prefix="助手")本次通过ConversationBufferMemory+FileChatMessageHistory，快速实现通义千问的多轮对话记忆与本地持久化，方案与原有LLM、提示工程无缝兼容，满足实际交互需求。
2026-03-06 20:45:00
903
原创 50 行代码搞定 SLAM+AI Agent！机器人自主导航最小原型，看完就能跑
你想快速搞懂「SLAM+AI Agent」到底怎么让机器人变 “智能” 吗？不用堆公式、不用装复杂环境，纯 Python 实现极简可运行 Demo，看完就能复现，还能直接迁移到真实机器人开发！
2026-03-05 21:00:00
1009
原创 第3篇：优化“大脑”——集成提示工程，让通义千问更懂需求
本文介绍了如何通过提示工程优化通义千问LLM，使其从通用助手升级为专业的PSAPI修图场景助手。主要优化包括：1)调整LLM参数降低随机性；2)设计多场景提示模板提升回答专业性；3)构建顺序链实现自动格式化输出。通过这三步优化，LLM的回答更加精准、结构化和贴合修图需求。文章提供了完整可运行的代码实现，并预告下一篇将增加记忆功能实现多轮对话。核心收获是提示模板设计、参数调优和链式串联对提升LLM表现的重要性。
2026-03-02 12:43:37
1291
原创 第2篇：接入LLM——给智能体装上“大脑”，实现第一个可交互Demo
本文介绍如何在Ubuntu系统中为LangChain接入通义千问API，实现首个可交互的智能问答Demo。主要内容包括：1) 环境准备，安装Python依赖并配置API密钥；2) 功能实现，通过Tongyi类初始化LLM，使用LLMChain串联提示模板与大模型；3) 创建交互循环，支持用户输入与AI应答。文章重点解析了LLMChain的核心作用，即简化"提示模板+LLM调用"的流程，并对比不同调用方法的适用场景。该Demo为后续实现记忆、工具调用等功能奠定基础，下一篇将聚焦提示工程优化
2026-02-28 13:04:44
1131
原创 第1篇：开篇打底｜LangChain环境搭建+基础入门，跑通第一个实战Demo（无复杂组件，纯上手）
本文介绍了从零搭建LangChain基础环境并实现首个文本交互Demo的实战步骤。首先在Ubuntu系统下创建Python虚拟环境并安装LangChain核心依赖，然后通过PromptTemplate创建提示词模板，验证环境搭建成功。文章强调以工程实践为导向，遵循从基础环境到功能模块的渐进式学习路径，为后续集成LLM、工具系统等组件奠定基础。该系列教程将逐步构建一个能处理图片和语言指令的智能体，本文作为入门篇聚焦环境配置和基础概念，为后续开发做好准备工作。
2026-02-27 12:39:11
1441
原创 AI Agent不是玄学，但没框架=废柴！Agent必看落地指南
摘要：本文深入解析智能体框架（Agentic Framework）的核心作用与选型策略。框架作为连接大模型"大脑"与SLAM"身体"的中枢系统，负责记忆、规划、调度等关键功能，使AI系统具备自主执行能力。针对不同开发场景，提出四大选型标准：场景匹配度、技术门槛、系统兼容性和社区稳定性，特别推荐LangChain+LangGraph组合作为SLAM/机器人开发的首选方案。文章强调智能体框架正在成为机器人系统中连接感知、决策与执行的关键组件，预告后续将推出系列实战教程帮助
2026-02-26 13:07:21
759
原创 终于讲透了：AI Agent 为什么是比 ChatGPT 更重要的未来？什么是AI Agent?
用大白话解析 AI Agent，其借 ChatGPT 爆发，与 SLAM 技术高度契合，开发者易快速掌握。
2026-02-25 13:32:02
1129
原创 SLAM工程师必看：5分钟看懂AI Agent人体解剖图
【摘要】SLAM工程师与AIAgent技术具有天然的契合性。AIAgent并非全新领域，而是SLAM能力的自然延伸：SLAM解决空间感知问题，AIAgent处理决策执行，二者共同构成机器人自主能力。AIAgent架构与机器人系统高度相似，包含感知层、记忆层、决策层和执行层。学习AIAgent不需重构知识体系，SLAM工程师只需叠加轻量化决策能力即可实现系统升级。文章重点澄清了初学者常见的概念混淆：LLM≠Agent（问答vs任务）、ChatBot≠Agent（被动vs主动）、RAG/Tool≠Agent（工
2026-02-25 10:42:37
871
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人