rk3588 mipi camera 调试过程中的问题

最新推荐文章于 2025-11-30 18:24:05 发布

原创

最新推荐文章于 2025-11-30 18:24:05 发布 · 5.6k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#模块测试 #c++

本文介绍了在rk3588平台上进行mipi camera调试时遇到的SOT/SOT_SYNC错误，重点分析了link_freq的重要性以及如何通过错误码查找datasheet确定问题方向。同时，提到了可能的问题源头，包括信号线问题、线序问题和mipi layout走线问题，为解决此类问题提供了参考。

rk3588 mipi camera 调试过程中的问题-SOT/SOT_SYNC错误

首先向Sensor厂家确认该Sensor是否有实际成功使用过MIPI接口传输数据，

再次确认link_freq是否正确。因为SOT时序中的Ths-settle需要在MIPI接收端配置正确，所以

link_freq很关键，如果使用了多lane，看Sensor原厂有没有办法修改成1 lane传输，一般MIPI 通讯

错误会有对应的错误码，根据错误码查找datasheet寄存器表，大致判断问题方向,

查找mipi 错误原因跟信号同步有关，大致问题应该是mipi传输过程中的物理信号传输过程中的问题

比如：

[  189.401134] mipi0-csi2 ERR2:0x1110 (sot,lane: 0) (ecc,vc: 0) (err id,vc: 0)
[  189.401234] mipi0-csi2 ERR1:0x1000001 (crc,vc: 0)
[  189.682590] mipi0-csi2 ERR2:0x10 (sot,lane: 0)
[  189.713762] mipi0-csi2 ERR1:0x10000001 (ecc2)
[

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

neardi临滴科技

关注关注

4
点赞
踩
33

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

提示工程架构师：构建高效提示团队的方法

软件工程实践的博客

07-25

702

在人工智能飞速发展的今天，提示工程已从一种边缘化的辅助技能演变为核心竞争力。本文深入探讨了"提示工程架构师"这一新兴角色，以及如何系统构建高效提示团队的方法论。通过剖析提示工程从个体实践到团队协作的演进历程，本文提供了一套完整的提示团队构建框架，包括团队结构设计、能力培养体系、协作流程优化、技术平台搭建和质量保障机制。

3 条评论您还未登录，请先登录后发表或查看评论

后量子时代提示工程的7大趋势：架构师提前布局指南

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。

08-20

597

当量子计算的“量子优越性”从实验室走向商用，当Shor算法能在分钟级破解RSA加密，当Grover算法将暴力搜索效率提升平方级——现有依赖提示工程的AI系统正面临前所未有的威胁提示中的敏感信息（如用户隐私数据、企业核心指令）可能被量子算法窃取；adversarial 提示攻击将因量子计算的加速而更具破坏性；传统提示工程的“经验驱动”模式无法适应量子环境下的计算范式变革。

团队成长：提示工程架构师如何通过定期审查培养团队能力？

AI云原生与云计算技术学院

08-13

358

（图示：提示工程团队能力培养的金字塔模型，定期审查位于塔基，支撑起技术能力、协作效能与创新潜力的提升）

提示工程架构师人才培养计划：技术人才的摇篮

AGI×大数据，开启智能时代的认知跃迁；解码AGI，赋能数据驱动的智能革命。

07-29

966

提示工程是一门通过精心设计输入文本来引导大语言模型产生期望输出的技术与艺术。它涉及理解模型行为、设计有效提示、优化交互流程等多个方面，旨在充分发挥大语言模型的能力，解决实际问题。提高模型输出的准确性：确保结果符合事实和任务要求增强模型输出的相关性：确保结果与用户需求高度相关提升模型输出的一致性：确保多次调用的结果稳定可靠扩展模型能力的边界：使模型能够处理原本难以完成的复杂任务。

提示工程团队建设体系：架构师总结的“5层能力建设模型”详解

AI架构师小马

07-26

1093

能力定义挑战：提示工程是一门交叉学科，需要融合语言学、计算机科学、认知心理学和领域专业知识，传统的职位描述和能力模型不再适用。组织定位挑战：提示工程团队应该独立存在还是嵌入业务部门？集中式还是分布式？如何平衡专业深度与业务贴近度？人才培养挑战：市场上提示工程人才稀缺，如何快速培养和评估团队成员能力？如何建立可持续的人才发展路径？技术整合挑战：如何将提示工程能力与现有开发流程、工具链和业务系统有效整合？如何建立提示工程的质量标准和最佳实践？价值量化挑战：如何衡量提示工程团队的业务价值？

提示工程架构师人才培养计划，打造专业技术团队

小程序开发

10-04

652

在AI技术栈中，提示工程（Prompt Engineering）是LLM与业务之间的“翻译层”——它将模糊的业务需求（“降低客服重复率”）转化为LLM能理解的指令（“用CoT引导模型先安抚情绪，再查订单，最后给解决方案”）。而提示工程架构师是这个“翻译层”的系统设计者系统设计：搭建可复用、可扩展的Prompt管理系统（比如统一模板库、反馈迭代机制）；团队赋能：将“Prompt经验”转化为团队的标准能力（比如新人能直接用模板，不用重新学）；业务对接。

提示工程架构师：重塑提示团队文化建设的领先模式

Agentic AI人工智能与大数据正在引领一场新智能科技革命。

07-25

722

在AI技术，特别是生成式AI和大语言模型（LLM）飞速发展的今天，企业对AI赋能的渴望空前高涨。然而，将LLM的潜力转化为实际业务价值，并非易事。提示工程架构师的出现，正是为了系统性地解决这一过程中的核心挑战。2.1 从“玩具”到“工具”再到“基础设施”：LLM应用的演进与挑战探索期（玩具阶段）：团队成员个人尝试使用ChatGPT等工具解决一些简单问题，体验AI的乐趣和潜力。此阶段对提示的要求不高，主要是趣味性和探索性。试点期（工具阶段）

提示工程团队梯队建设：架构师亲授如何用「场景化任务」加速人才成长

AI开发架构师

08-06

804

在设计梯队前，必须明确每个层级的核心能力边界。层级核心角色定位核心能力要求初级（Prompt Engineer I）基础提示执行者掌握单轮提示设计技巧（如清晰性、具体性、格式要求）；能根据示例优化简单提示；理解LLM的基本特性（如上下文窗口、幻觉问题）。中级（Prompt Engineer II）复杂场景解决者能设计多轮对话提示（保持上下文一致性、意图识别）；掌握提示优化方法（如Few-shot、Chain-of-Thought）；能使用工具（如LangChain）构建简单的提示流程。

2024提示工程趋势：提示工程架构师眼中的AI与提示工程未来

AI架构师小马

08-12

921

当我们站在2024年的门槛回望，生成式AI已从实验室走向产业落地的深水区。然而，企业在规模化应用AI时正面临三大核心挑战：提示工程效率低下、模型能力与业务需求错配、AI系统可维护性差。据Gartner 2023年报告，70%的企业AI项目因"提示-模型-业务"衔接不畅而未能实现预期价值。提示工程作为连接人类意图与AI能力的桥梁，其重要性已从"可选技能"跃升为"核心竞争力"。2024年正处于AI产业发展的关键转折点。

人工智能领域博客

11-28

1820

摘要：本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。

信息检索13

2301_80828873的博客

11-26

2158

最近邻检索的方法，PQ，IVF,HNSW

向量嵌入：RAG系统背后的语义引擎

uncle_ll的博客

11-29

1086

向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。

07_Spring AI 干货笔记之提示词

11-30

810

本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。

【LoRA（低秩适应）技术详解：原理、公式与实践】

m0_46882548的博客

11-26

1607

参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。

RAG信息检索全解析：从Embedding到Reranker的超详细教程1

Trb201013的博客

11-27

1372

文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。

【LLM】DeepSeekMath-V2模型

发现问题，并解决问题，批判性思维

11-29

769

研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep

卫星遥感落地林草监测：多源数据融合+AI算法

okk202586的博客

11-27

570

全面完善昌吉州林草资源网络感知体系，建立全州林草资源一体化综合管理平台，全面加强林草安全防火监测预警、有害生物防治信息化、林草资源监管能力，实现林草资源、安全防火、有害生物防控、林长制监督管理等。在不同区域、不同场景下的落地能力，案例可以充分说明，智慧林草并非单纯的技术堆砌，而是真正贴合林草业务流程、解决实际问题的“实战型”方案，太空守护林海正在变成可能~根据林草业务需要，建设林长制、资源监管、生态保护、生态修复、灾害防护、科技创新等六类业务系统，构建智慧林草综合监管业务系统体系，全面支撑林草业务。

【人工智能】【深度学习】 ② GAN核心算法介绍：生成器与判别器的博弈艺术

xiezhiyi007的专栏

11-27

995

本文为【人工智能】【深度学习】系列第②篇，深入浅出讲解生成对抗网络（GAN）的核心原理。从“造假者 vs 警察”的大白话比喻出发，逐步推导极小极大博弈公式，详解生成器与判别器的对抗机制，并对比 CNN、RNN 的本质差异。附带完整 PyTorch 代码实现（逐行注释），涵盖 DCGAN 架构、训练流程与工程技巧，适合零基础读者入门生成式 AI。结尾预告下一期 Transformer 主题，延续系统化学习路线。

YOLOv8训练过程日志-深度解析

搏博的专栏

11-28

945

特别值得注意的是不同类别的性能差异：phone类别的召回率达到0.462，明显高于car类别的0.286，这可能源于两个类别在训练数据中的分布差异、目标特征的明显程度等因素。值得注意的是，损失函数的下降过程并非单调的，而是存在一定的波动，这是梯度下降优化的正常现象。值得注意的是，虽然训练提前停止，但模型已经学习到了有意义的特征表示，这为后续的微调或迁移学习奠定了基础。的训练中，这些指标虽然数值较低，但这在小型数据集和有限训练时间的条件下是正常的，重要的是观察这些指标在训练过程中的变化趋势。