- 博客(60)
- 收藏
- 关注
RSS订阅原创 从“提示词工程”到“驾驭工程”：一文讲透AI圈最火的概念Harness Engineering
《AI工程新范式：Harness Engineering的核心理念与实践》摘要：近期AI领域兴起的Harness Engineering（驾驭工程）并非全新概念，而是对现有AI应用痛点的系统性解决方案。其核心思想是通过构建规则体系、环境约束和验证机制，让AI模型（如GPT、Claude等）像被套上马具的马匹一样可靠工作。文章通过比喻说明：AI模型如同聪明但不熟悉规则的实习生，而Harness Engineering则为其配备员工手册、工作规范和自动检查系统。该方法强调从机制上预防错误复发，而非仅纠正单次错误
2026-08-13 09:05:10
198
原创 git 仓库的创建
本地创建，需要在本地创建一个空仓库，然后关联远端创建好的仓库。git remote add origin <你的仓库地址># 1. 添加远端（替换成你的仓库地址）1.直接在git网页创建（这里不再陈述）1.本地先创建一个空仓库。# 2. 推送 master 分支。2.关联本地仓库到远端。
2026-08-04 09:07:33
234
原创 别再看纳米了！华为τ定律：芯片性能的下一把尺子是“时间”
当你看到这条推送的时候，或许你还一脸懵逼：先别急着划走。今天我们就来聊聊这个可能改写未来芯片竞赛规则的新公约数，用一种你肯定能听懂的方式。
2026-05-28 08:03:57
292
原创 爆火的Transformer是什么？一文读懂它的原理与妙用
Transformer是近年来AI领域革命性的神经网络架构，其核心创新在于自注意力机制。相比传统的RNN/CNN模型，Transformer能并行处理整个序列，直接捕捉长距离依赖关系，显著提升了语言理解能力。该架构通过计算词与词之间的关联度（QKV机制），让模型动态关注上下文关键信息。2017年提出后，Transformer迅速成为NLP主流技术，支撑了ChatGPT、BERT等突破性应用，并扩展到图像处理和多模态领域。其优势包括并行计算能力、全局上下文理解和可扩展性，已成为AI发展的重要基石。
2026-04-09 16:19:08
439
原创 一夜爆火的“小龙虾”OpenClaw：能动手的AI，究竟是数字员工还是危险“钳”？
OpenClaw：2026年最火爆的AI执行助手 OpenClaw是一款革命性的AI智能体，它不仅能理解指令，还能直接操作系统完成任务。这款以"红色龙虾"为标志的开源项目迅速走红，GitHub星标突破27万。它能处理邮件、整理文件、协调会议，甚至帮助开发者编写和测试代码，实现"一人公司"的梦想。但随之而来的安全问题也不容忽视，包括权限滥用、数据泄露等风险。专家建议采用最小权限原则、设置监护人机制来安全使用。OpenClaw正在推动万亿级产业链发展，标志着AI从&quo
2026-03-25 08:22:25
473
原创 深入浅出智能驾驶系统：从“看见”到“行动”的拟人化奥秘
智能驾驶系统由硬件和软件两大部分组成。硬件包括感知层（摄像头、雷达等传感器）、决策层（计算芯片）和执行层（线控底盘）；软件则涵盖操作系统、感知算法、决策规划和控制系统。系统通过数据闭环不断进化，利用影子模式采集数据，通过云端训练和OTA升级提升性能。未来趋势是软硬件解耦，车企自研算法和芯片，向端到端大模型发展，使车辆具备更接近人类直觉的驾驶能力。智能驾驶的终极目标是实现更安全、更轻松的出行体验。
2026-03-24 08:47:51
413
原创 别再以为车只是“四个轮子加沙发”！聊聊正火的VLA大模型，它让汽车长了“脑子”
VLA（视觉-语言-动作）模型正在重塑智能驾驶技术。它通过将视觉感知、语言理解和动作控制融为一体，赋予车辆类似人类的逻辑推理能力，使其不仅能"看见"还能"理解"路况。相比传统模块化方案，VLA让车辆具备常识判断，能应对突发情况。小鹏第二代VLA更创新性地取消了中间语言转换环节，实现更快的"直觉驾驶"。虽然目前还存在VLA与世界模型的技术路线之争，但VLA的快速落地正推动自动驾驶向"车坐不开"的未来加速迈进。
2026-03-16 09:00:10
371
原创 从“超级背书侠”到“职场多面手”：一文讲透大语言模型（LLM）到底是什么？
大语言模型（LLM）是一种基于海量文本训练的"超级学徒"，通过分析词语关联来生成内容。它能完成写作辅助、代码生成、智能客服等多种任务，但存在"幻觉"（编造事实）、知识滞后等局限。未来LLM将向多模态、实时更新和自主行动方向发展，成为人类处理信息的强大工具而非替代者。理解其工作原理和局限，才能更好地利用这一技术提升效率。
2026-03-13 10:21:59
382
原创 小白也能懂的深度学习：它到底是什么，能做什么？
深度学习是一种通过多层神经网络从数据中自动学习规律的机器学习技术。它模仿人脑神经元结构，通过层层提取特征实现复杂任务，如图像识别、语音处理和自然语言理解。相比传统编程，深度学习无需人工定义规则，而是从海量数据中自主学习。其应用广泛，包括计算机视觉、语音识别、推荐系统等领域。虽然效果惊人，但也面临数据需求大、计算成本高、可解释性差等挑战。入门者可从Python编程和简单项目入手，逐步掌握这一前沿技术。深度学习正在改变我们的生活，是人工智能发展的重要方向。
2026-03-10 08:48:07
347
原创 神经网络入门指南：从零开始理解人工智能的“大脑”
本文通俗介绍了神经网络的基本概念和应用。神经网络模仿人脑神经元结构，通过输入层、隐藏层和输出层的连接学习数据模式。它能自动提取特征，广泛应用于图像识别、自然语言处理、语音识别和推荐系统等领域。神经网络通过前向传播、损失计算和反向传播调整权重来学习。文章举例说明了垃圾邮件分类器的原理，并解答了常见问题。神经网络本质是强大的数学建模工具，建议初学者从手写数字识别实践入门。
2026-03-09 08:49:58
280
原创 2025年，我们为什么非学强化学习不可？从图灵奖到工业产线，一篇看懂AI的“试错”哲学
2025年图灵奖颁给了强化学习奠基者萨顿和巴托，这项技术已成为AI发展的核心驱动力。强化学习通过"试错反馈"机制让智能体自主学习，不同于监督学习和无监督学习，它擅长处理序列决策问题。从AlphaGo到ChatGPT，深度强化学习已实现突破性应用，并在2025年广泛应用于智能制造、芯片设计、自动驾驶等领域。这项技术不仅改变AI发展路径，更提供了一套关于长期决策的哲学思考，代表着实现通用人工智能的关键方向。
2026-03-06 08:24:03
335
原创 机器学习：从“烧菜”入门，到洞察未来趋势
想象一下，你正在教一个外星人做番茄炒蛋。你不会给它一份精确到毫克的菜谱（这属于传统编程），而是让它品尝了100盘不同做法的成品，然后它自己悟出了“西红柿要炒出汁才好吃”的规律。这个过程，就是机器学习。作为人工智能的核心子集，机器学习正在悄然改变我们的世界-5-9。今天，我们就用最通俗的语言，盘盘它到底是什么，能干什么，2026年的今天哪些技术最火，以及未来将走向何方。机器学习是指让计算机从数据中学习统计规律，并用学到的规律预测未知的一类算法总称-1。
2026-03-04 08:47:53
468
原创 人工智能：从“炼金术”到“魔法时代”，我们正在教机器看懂世界
人工智能的发展，就像一趟不断加速的列车-8。从当年被嘲笑“比马车还慢”，到如今呼啸着把我们带入一个全新的时代。作为普通人，我们该如何面对？也许不必焦虑。正如上海交大高晓沨教授所说，AI再厉害，也替代不了人类的“主动输出”-7。它能帮你收集资料、优化方案，但最后的创造性决策、对复杂人性的洞察，依然掌握在我们自己手中。在这个AI时代，最核心的能力，或许就是使用AI的能力。不妨从今天开始，打开电脑，装上Python，敲下第一行")，去亲自感受一下这个正在重塑世界的力量吧-9。
2026-03-03 09:05:07
901
原创 matlab结构体数组定义
摘要：本文介绍了Matlab中结构体数组的定义与使用方法。结构体数组由多个具有相同字段结构的元素组成，适合存储结构化数据（如NOH辅助驾驶参数）。文章详细讲解三种定义方法：1）逐个元素赋值（基础方法）；2）预分配数组后赋值（推荐大数据量使用）；3）struct函数批量创建（适合批量数据）。关键点包括：字段访问语法（数组名(索引).字段名）、预分配内存的重要性、以及批量提取数据的技巧（[数组名.字段名]）。文中还提供了嵌套结构体和注意事项等实用建议。
2026-01-21 09:08:40
452
原创 Matlab操作Json文件
本文介绍了JSON文件的基本操作方法：1)读取JSON文件时，先用fileread获取文本内容，再用jsondecode解析为结构体，即可通过hisjson.域访问字段；2)创建JSON文件时，先用jsonencode将结构体编码为JSON字符串，再用fopen、fprintf写入文件后关闭。这些方法实现了JSON与MATLAB结构体之间的便捷转换。
2025-12-25 10:58:48
375
原创 Python打包成exe文件方法
本文介绍了使用PyInstaller将Python程序转换为独立exe文件的方法。主要内容包括：1)确保安装Python 3.7+和pip；2)通过pip安装PyInstaller；3)使用--onefile参数打包成单文件exe，使程序无需Python环境即可运行。该方法简单可靠，适合在Windows系统上部署Python应用。
2025-12-24 12:11:55
221
原创 maltab读取和引用json文件方法
本文介绍了JSON文件的读取和引用方法：首先使用fileread()函数读取JSON文件内容，再通过jsondecode()函数将文本转换为MATLAB可操作的结构体。读取后可通过hisJson.域名的形式直接引用JSON文件中的字段内容。文章简明扼要地说明了JSON文件处理的基本流程和引用方式。
2025-12-18 17:33:19
200
原创 Git命令（三）
本文介绍了在带有子仓库的父仓库中克隆特定分支的Git操作流程。主要步骤包括：1）克隆父仓库并切换到目标分支；2）初始化并更新子模块；3）为所有子模块切换到对应分支并拉取最新内容；4）检查子模块状态。特别说明：当子仓库分支名与父仓库不同时，需手动修改子模块的checkout分支名。该脚本通过变量branch_name和repo_asw分别指定分支名称和本地文件夹名称，实现了父仓库与子仓库的同步分支操作。
2025-10-31 16:22:19
267
原创 汽车动力电池管理系统（BMS）：电动汽车的“智能大脑”
Battery Management System（BMS），即电池管理系统，是连接车载动力电池和电动汽车的重要纽带。它通过一系列传感器和控制器，实时监控、管理和保护电池组的运行状态，堪称电动汽车的"智能大脑"。简单来说，如果没有BMS，动力电池就像一支没有指挥的交响乐团——即使每个乐手（电芯）都很优秀，也无法奏出和谐美妙的乐章。作为电动汽车的核心技术之一，BMS的重要性不言而喻。它不仅关系到车辆的性能表现，更直接影响着电动汽车的安全性和可靠性。
2025-09-10 13:01:45
1462
原创 解剖智驾“大脑”：一文读懂自动驾驶系统软件架构
智驾系统软件架构解析：从感知到控制的协同交响 智驾系统不是简单的硬件堆砌，而是一个由感知、预测、规划、控制构成的完整工作流。本文系统剖析了智驾软件的模块化分层架构：底层感知层处理传感器数据，中层决策规划层进行行为预测和路径规划，顶层控制层执行具体指令。文章还探讨了当前最前沿的BEV+Transformer一体化架构趋势，以及端到端架构的优缺点。最后强调，优秀的智驾系统就像交响乐团，需要各模块在操作系统和中间件框架的协调下精准配合。理解这一架构，才能真正评判智驾系统的技术实力。
2025-09-04 09:53:48
1141
原创 无人驾驶的“方向盘”和“油门”：深入浅出解析运动控制技术
无人驾驶运动控制系统是连接决策与执行的关键环节，其核心包括横向控制（方向盘）和纵向控制（油门刹车）。横向控制通过纯跟踪或LQR算法确保车辆沿预定轨迹行驶；纵向控制采用双PID结构实现精准速度调节。二者协同工作时需考虑弯道减速等复杂场景，同时面临模型不确定性、执行器延迟等挑战。当前主流采用分层式控制，未来将向学习型控制、V2X协同等方向发展。该系统的优化直接影响无人驾驶的安全性、平稳性和舒适性，是自动驾驶技术的重要研究领域。
2025-09-01 08:26:47
1219
原创 车载以太网SOME/IP协议：面向服务的汽车通信技术详解
SOME/IP协议是车载以太网的核心通信协议，采用面向服务的架构，相比传统CAN总线能显著降低负载。文章详细介绍了SOME/IP的服务概念、三种通信模式（方法/事件/字段）、服务发现机制及报文格式，并阐述了其序列化/反序列化原理和数据传输流程。通过车辆位置服务和摄像头协议等应用案例，展示了SOME/IP在智能汽车中的实际应用价值。文章还推荐了CANoe和Speedgoat等开发测试工具，指出SOME/IP协议将随着汽车智能化发展发挥更重要作用。
2025-08-22 08:37:32
1150
原创 深入浅出UDS：汽车电子的“医生”与“语言”
《UDS协议：汽车电子诊断的"世界语"》摘要：UDS协议是汽车电子诊断的标准化"语言"，遵循ISO14229标准，实现ECU的诊断、监控和编程。它将汽车比作病人，ECU是器官，UDS如同专科医生能精确定位问题。采用客户端-服务器模型，通过诊断仪与ECU交互。UDS解决了车企诊断"方言"问题，支持多种总线传输，如CAN和车载以太网。核心功能包括诊断会话控制、数据读写、安全访问等，广泛应用于生产、维修、研发和OTA升级。学习UDS需掌握其服务机制和OS
2025-08-20 09:22:11
776
原创 深入浅出汽车电子诊断技术：从OBD到UDS的架构解析
汽车诊断技术解析：从OBD到UDS的演进历程 摘要：汽车诊断技术随着电子化发展日益重要，现代高端车型包含150+个ECU。文章系统梳理了技术演进：从1980年代厂商私有协议，到1996年标准化的OBD-II，再到基于CAN总线的KWP2000和现代UDS统一诊断服务。重点剖析了诊断系统的分层架构：物理层（CAN/以太网接口）、数据链路层（CAN帧结构）和应用层（UDS服务）。以读取水温为例演示诊断流程，并探讨远程诊断、OTA升级等前沿趋势。文章提供了开发工具推荐和学习资源，指出掌握UDS协议是进入汽车电子领
2025-08-19 09:08:53
1153
原创 深入浅出汽车FOTA技术：让爱车“常用常新”的魔法
FOTA技术正重塑智能汽车体验，通过远程升级实现车辆性能持续进化。与传统SOTA（软件升级）不同，FOTA能改写动力、刹车等底层系统，实现加速性能提升、电池管理优化等功能。其核心技术架构包含云端管理、差分压缩传输和车端安全验证机制，采用A/B分区、数字签名等技术确保升级安全。典型案例包括特斯拉通过固件升级将Model 3加速时间缩短0.5秒，以及国产电动车优化低温充电策略。随着中央计算架构发展，FOTA将扩展至燃油车领域，并通过AI预测性升级实现更智能的车辆优化。该技术正在改变汽车产业生态，使车辆具备持续进
2025-08-18 10:59:01
1340
原创 深入解析Automotive SPICE：汽车软件开发的“合规引擎”与质量基石
《ASPICE：汽车软件开发的质量基石》摘要 随着软件定义汽车时代到来，现代汽车代码量超1亿行，ASPICE成为确保安全可靠的核心标准。本文系统阐述了ASPICE的框架价值与实施路径：（1）ASPICE是汽车行业专用过程评估模型，能降低40%软件故障召回率；（2）其三维体系包含32个过程，支持V模型与敏捷开发融合；（3）采用0-5级成熟度模型，Level3需建立组织标准流程；（4）实施五步法从差距分析到认证评估，需重点关注工具链整合与证据自动化采集；（5）在动力系统、智能驾驶等领域应用时，建议采用轻量级启动
2025-08-16 08:00:00
903
原创 无人驾驶的“大脑导航仪”：路径规划通俗指南
无人驾驶汽车通过路径规划实现自主导航，分为全局规划和局部规划两个层面。全局规划基于高精地图，使用A*或Dijkstra等算法规划整体路线；局部规划则借助传感器实时感知环境，采用动态窗口法或状态格子算法等处理突发障碍。虽然路径规划技术已取得显著进展，但仍面临复杂场景、预测不确定性等挑战。随着算法优化和算力提升，无人驾驶的路径规划能力将不断接近人类驾驶水平，推动智能交通发展。
2025-08-15 11:01:16
443
原创 深入解析SAE自动驾驶分级标准（0-5级）及典型落地实例
摘要：本文基于SAEJ3016标准解析自动驾驶6大等级技术差异，涵盖L0应急辅助到L5完全自动驾驶的核心特征。重点分析L2到L3的责任转移临界点，以及L4在Robotaxi等场景的落地现状。通过特斯拉Autopilot、奔驰DRIVEPILOT等案例，对比不同等级在传感器配置、ODD限制等方面的技术演进。同时指出当前面临的法规滞后、成本过高（L4传感器超2万美元）等产业瓶颈，并探讨2024年作为L3商业化元年的发展趋势，包括城市NOA扩展和车路云一体化等方向。（149字）
2025-08-14 10:38:17
1918
原创 深入解析 AUTOSAR：汽车软件开发的革命性架构
AUTOSAR是汽车行业为解决电子系统复杂性而建立的开放软件架构标准。其核心在于分层设计和虚拟功能总线概念，通过应用层、运行时环境（RTE）和基础软件层的分离，实现软硬件解耦。AUTOSAR采用模型驱动的配置生成开发模式，提供标准化接口以提高软件复用性、简化集成流程并降低成本。当前AUTOSAR分为面向传统嵌入式系统的Classic Platform和面向高性能计算的Adaptive Platform两大分支。尽管存在学习成本高、工具链昂贵等挑战，AUTOSAR仍在持续演进，以应对汽车智能化、网联化的发展需
2025-08-13 09:19:08
1130
原创 深入解析智能驾驶的“千里眼”与“指南针”：定位与导航系统
智能驾驶的定位与导航系统是实现自动驾驶的关键技术。定位系统通过GNSS、IMU、激光雷达SLAM等多传感器融合，实现厘米级精度的车辆位置确定；导航系统则基于全局路径规划和局部运动规划（如MPC、RRT*等算法），生成安全高效的行驶轨迹。当前面临复杂环境鲁棒性、高精地图依赖等挑战，未来发展趋势包括多源融合深化、V2X赋能、AI驱动规划等。这些技术的持续进步将推动自动驾驶向更高水平发展。
2025-08-12 08:44:24
1000
原创 驾驭未来：一文读懂智能驾驶系统的“五脏六腑” [特殊字符]✨
智能驾驶系统主要由感知层、决策层、执行层和支撑系统四大部分组成。感知层通过摄像头、雷达等传感器收集环境数据；决策层利用AI算法进行路径规划和决策；执行层通过线控系统实现车辆操控；支撑系统包括高算力平台、V2X通信等技术保障。各系统协同工作，推动自动驾驶技术向更安全、高效的方向发展。随着技术进步，无人驾驶时代正加速到来。
2025-08-11 08:53:56
764
原创 智能驾驶的“眼睛”怎么选？6大维度拆解摄像头选型秘籍
智能驾驶摄像头选型需要综合考虑功能需求与性能参数。不同位置摄像头各有特定要求，如分辨率、动态范围、低照度性能等核心参数直接决定成像质量。视场角需平衡探测距离与覆盖范围，帧率需匹配车速需求。环境适应性测试包括极端温度、防水防污和振动耐久性。数据接口和时间同步精度影响系统性能，而集成ISP和边缘AI可提升处理效率。最后需通过车规认证确保量产可靠性。工程师需在各项参数间找到最优平衡，才能打造真正可靠的"汽车之眼"。
2025-08-09 08:00:00
629
原创 时间同步——智能驾驶的“心跳”同步：没有它，再多的传感器也白搭！
智能驾驶系统中多传感器数据融合的关键在于精准的时间同步。当摄像头、雷达等传感器采集数据存在毫秒级时间差时，会导致感知融合失真、定位漂移和控制指令延迟等问题。目前主要通过PTP精密时间协议实现微秒级同步，结合硬件时间戳和触发信号确保数据对齐。时间同步面临网络延迟、时钟稳定性等挑战，需要精确补偿传感器内部处理延迟。作为智能驾驶系统的"隐形指挥家"，时间同步确保了多源数据在统一时间轴上的精准匹配，为安全决策提供基础保障。
2025-08-08 09:46:52
1154
原创 MATLAB中get_param命令详解：深入探索Simulink模型的利器
摘要： get_param是MATLAB/Simulink中用于查询模型参数的核心函数，支持动态获取模型、模块和信号线的各类信息。其基础语法为value=get_param(object,parameter)，可通过模型名称、模块路径或句柄指定查询对象。主要应用场景包括：获取模型级配置信息（如仿真参数、求解器类型）、提取模块参数与属性（如PID控制器增益值）、分析模型结构（模块连接关系、端口信息）、诊断仿真状态以及高级模型分析。该函数常与set_param配合实现"读取-修改-写入"工作
2025-08-08 08:00:00
763
原创 MATLAB中set_param命令详解：动态控制Simulink模型的利器
本文详细介绍了Simulink中set_param函数的使用方法及其核心应用场景。set_param作为MATLAB/Simulink的重要函数，能够通过脚本编程方式动态调整模型参数、批量修改模块属性和自动化仿真流程，大幅提高建模效率。文章从基础语法入手，重点解析了六大应用场景：模型级参数设置、模块参数动态配置、仿真过程控制、模块外观布局调整、子系统与信号线操作以及批量参数设置。同时提供了关键注意事项与最佳实践，包括路径规范、参数值类型转换、参数名称大小写敏感性等实用技巧，并通过自动化测试系统的综合实例展示
2025-08-07 10:24:50
1122
原创 Git常用命令（二）
git clone命令摘要 git clone用于将远程仓库克隆到本地，基本语法为git clone <仓库地址> [本地目录]。常用参数包括： -b：指定克隆的分支/标签 --depth：浅克隆（仅获取最近提交） --single-branch：仅克隆指定分支 --recurse-submodules：自动克隆子模块 --no-checkout：仅克隆.git目录不检出文件 这些参数组合使用可灵活控制克隆行为，特别适合大型仓库或需要特定分支的场景。
2025-08-07 09:08:45
821
原创 Simulink模型中多runnable的创建
本文介绍了基于AUTOSAR架构的Simulink多周期调度实现方法。针对不同周期的任务需求，提出了两种解决方案：使用Stateflow软件分频或在同一模型中建立多个runnable。重点阐述了通过函数调用子系统创建多个runnable（如10ms和20ms周期）的具体步骤，包括创建模型、添加子系统、在AUTOSAR字典中建立runnable并进行映射，最后生成代码。该方法实现了Simulink函数调用子系统与AUTOSAR runnable的对应关系，为汽车软件开发提供了实用参考。
2025-08-05 13:41:52
485
原创 Git常用命令（一）
本文介绍了使用Git将本地代码提交到远程仓库的常用命令和操作步骤：1）通过Git Bash进入项目目录；2）执行git pull拉取最新代码；3）git status查看修改文件；4）git add添加修改文件；5）git commit -m提交修改说明；6）git push推送代码到远程仓库。完整流程包括拉取、查看、添加、提交和推送五个关键步骤，适用于基本的Git代码提交操作。
2025-08-05 10:48:53
170
原创 matlab常用命令（三）
本文介绍了Simulink模型操作的四个常用命令：1)load_system用于后台加载模型；2)open_system可加载并可视化模型；3)save_system保存模型修改；4)close_system关闭模型。这些命令可以实现模型的自动化操作和批量处理，提高工作效率。文中给出了每个命令的具体用法示例，并说明了它们之间的配套使用关系，如load/close、open/save/close的组合使用效果。通过这些命令可以实现不打开界面的后台操作，或快速完成打开-保存-关闭的流程。
2025-08-05 08:57:16
349
原创 matlab常用命令（二）
摘要：文章介绍了三个字符串判断命令：1）startsWith判断字符串开头是否符合指定内容；2）endsWith判断字符串结尾是否符合指定内容；3）contains判断字符串是否包含指定内容。三个命令都返回1（符合）或0（不符合），并给出了"studygood"字符串的示例用法。
2025-08-04 09:37:20
257
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