2020年GPT - 3震动NLP界,如今具身智能ICL崛起,可可矩阵创业押注!

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析 内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。 立即下载

2020年GPT - 3震动NLP界,如今具身智能领域ICL崛起,可可矩阵创业押注!

2020年,GPT - 3凭借“看几个示例就会新任务”的能力,震动了NLP界。六年后的今天,同样的故事正在具身智能领域上演,主角就是In - Context Learning(ICL)。

8月中旬,Skild AI发布机器人基础模型S1。只需给机器人看一遍任务演示视频,它就能在不微调、不做额外post - training的情况下,尝试完成此前未训练过的新任务。任务时长可达10分钟,包含几十个操作步骤。

Skild对比了在(训练数据)见过的任务和未见过的任务上,ICL视频Prompt和传统的语言Prompt VLA的效果。测试结果显示,当训练数据只有1000小时时,语言Prompt效果更好;随着数据规模增加,ICL开始反超。对于未见任务,加入视频context后,模型表现相比只用语言指令提升约7倍。

S1发布的一周之前,Generalist AI发布GEN - 1.5,同样将One - Shot Learning作为核心能力。机器人只需看一个示范,就能在数秒内学习新任务,无需梯度更新或微调,还支持人类示范到机器人执行、组合泛化和Sim - to - Real迁移。

这两项进展都在尝试让机器人学会利用更长的多模态Context。ICL这条路径,已在LLM领域得到验证,并成为至关重要的一环。2020年,OpenAI在GPT - 3的论文Language Models are Few‑Shot Learners中提出ICL,将其定义为一种能力:不给模型做任何参数更新(没有微调、反向传播训练),仅在输入prompt中提供若干任务示例(demonstrations/examples),模型在单次前向推理过程中就能识别并执行该新任务。

过去三年,上下文从4K扩展到1M,使模型能一口气处理一整本书、一个代码库,背后的主要引擎就是ICL。

与LLM不同,具身模型面对的是视觉观测、语言指令与动作序列交织的复合上下文,且真实任务是非马尔可夫的——“接下来做什么”取决于“几分钟前做过什么”。简单来说,具身模型面对的上下文是每秒几十帧视觉观测,外加本体状态与动作序列,信息量高出几个数量级。直到今年7月16日,才有李飞飞、Jim Fan、Yuke Zhu等合著的机器人长上下文策略模型与训练方案RoboTTT,第一次系统地把“上下文scaling”这条路线搬到机器人视觉运动策略上。

8月,Generalist和Skild发布成果。虽然两家公司仅以成果发布形式展示模型效果,技术细节未完整公开,但在具身领域,关于ICL的讨论度随即骤升。

这条路能否在具身领域真正跑通,取决于一系列远未解决的技术问题。我们也因此产生了更具体的好奇:如果具身智能真的要沿着Long Context和ICL继续发展,机器人究竟要怎样理解如此复杂的上下文?示范、语言、历史动作甚至人的纠正,又该怎样进入模型?

于是,我们找到了可可矩阵(COCO Matrix),一家致力于把In - Context Learning做成具身智能底层范式的国内创业公司。该公司成立于2026年4月。创始人兼CEO高宇翔表示,今年1月深入讨论创业相关事宜时,他和co - founder就一致认为是时候着手押注ICL了。

高宇翔今年30岁,西安交大少年班出身,约翰斯·霍普金斯大学(JHU)博士辍学,在读期间做人机交互研究。他说,GPT - 3展现出上下文学习能力时,还在JHU读博的他就开始琢磨,这种“不给参数更新、只看示例就会新任务”的能力能否应用到机器人身上。此后五年,他辍学、回国创业、加入工业界、再次创业。

这期间,高宇翔在傅利叶带队打通了全尺寸人形机器人从遥操作、数据采集到模型部署的完整链路,并在2025年5至8月用一百多万成本,在全尺寸双足人形上训练出具备一定泛化能力的世界模型。

今年4月,可可矩阵正式成立,开始将当年在学校里接触的问题转化为创业方向。与Generalist、Skild不同,可可矩阵的思路是把后训练的ICL前置到预训练阶段。

围绕具身ICL的技术进展、落地难题与行业争议等,我与高宇翔在上海进行了一场深度对谈,以下是对话实录(在不影响本意的前提下略有删改)。

为什么具身智能需要换一条Scaling路线?

量子位:过去很长一段时间,具身智能都沿着大模型的路线Scale数据。大家为何相信,堆更多数据就能提升机器人能力?

高宇翔:最初整个行业心态比较乐观。早期像ACT、Diffusion Policy这些方案跑通后,基本解决了behavior cloning、模仿学习的很多核心问题。当时大家自然地延续大语言模型的成功逻辑,认为只要持续扩充数据,积累到一定阈值,模型就能涌现出通用能力,最终实现全方位的任务适配。在当时的行业环境里,这个思路没问题,所以整个行业都全力规模化扩充数据。

量子位:后来问题出在哪里?

高宇翔:针对单一任务,现在采集两百条左右的数据,就能把任务拟合得很好,一个新任务从演示到模型适配,大概十八个小时就能完成。但继续增加数据后,模型并未出现大家期待的通用泛化能力。同时,具身数据本身也很难Scale。遥操作数据质量不统一,物品和场景多样性有限,单纯依靠这类数据,很难提供足够丰富的感知覆盖。

量子位:除了这个,还有哪些问题?

高宇翔:早期很多VLA沿用了LLM、VLM的预训练体系,但面向物理世界时,原有视觉表征很难同时覆盖机器人需要的不同层级信息,因此不少方案需要不断拼接不同的视觉模块。这套路线在很多场景下依然有效,但过去一年多大家逐渐发现,继续沿着原有VLA范式叠数据、叠模块,后续能力提升会越来越困难。

具身智能Scaling路线的新尝试

量子位:如果数据覆盖走不通,行业现在开始Scale什么?

高宇翔:能明显感觉到大家开始关注机器人的学习能力和适应能力。过去更关注模型在训练阶段见过多少数据、学会多少任务。现在大家开始思考,机器人到了一个全新的环境和任务中,能否利用当前的Context快速学习。今年已经出现了一些明显的信号。像RoboTTT这类工作,在尝试解决更长历史信息的编码、压缩和利用,让机器人能够持续参考更长时间的视觉和动作Context。Generalist AI、Skild AI最近展示的One - Shot能力更进一步。给机器人看一次任务示范,它就可以基于这段Context快速适配新任务,无需为每个任务重新做完整的微调或训练。所以现在具身智能的Scaling维度正在扩展。除了继续Scale模型、数据和任务覆盖之外,机器人在部署之后能否继续学习,能否从示范、历史经验和交互过程中快速获得新能力,也开始成为一个新的Scaling方向。

LLM验证过的Scaling逻辑,怎么到了具身领域这么难?

量子位:同样是ICL,具身领域的难度似乎比语言模型领域高很多,复杂在哪里?

高宇翔:机器人面对的是物理世界,其输入和任务结构比纯语言复杂得多。这种复杂性主要集中在两大维度,一是模型本身的输入输出与技术架构问题,二是数据体系的先天短板问题。可进一步拆成三个核心技术难点。

首先是视觉理解:机器人在不同任务、不同动作阶段,需要的信息层级不同。它既要理解“这是什么”这样的高层语义,也要获得位置、深度、轮廓等和动作直接相关的精细空间信息。这也是早期很多VLA需要同时拼接DINO、CLIP这类不同视觉模型的原因。单一视觉编码器很难完整覆盖机器人需要的信息。

第二是多模态:语言对机器人来说远远不够。视觉可能承担大部分信息,但触觉、听觉、本体感知同样会影响动作。问题在于这些模态的数据量差异非常大,目前视觉和语言还能依靠海量数据做预训练对齐,触觉、声音和本体状态的数据规模远远没有达到这个程度。

第三个问题就是Long Context和Memory:机器人执行的是连续任务,它需要知道之前发生过什么,还要判断过去哪些信息和现在有关。这个过程涉及历史信息的压缩、筛选、提取和长期保留。实际上,这些支撑机器人长时记忆的基础技术,也就是最近半年左右才开始出现比较明显的进展。

从固定窗口到流式记忆

量子位:上个月底Skild - AI的S1模型支持最长10分钟级别的长任务示范。对比Generalist GEN - 1.5的one - shot ICL示范视频仅3 - 12秒,放在30s窗口内完成现学现用。虽然Skild给出的是示范demo,但这个时长还是很惊人。

高宇翔:不能单纯看时长,更重要的是信息密度。如果一段10分钟的视频里都是重复动作,没有新的任务信息,那它对模型来说并不是高质量Context。我们现在测试效果比较好的,是人类第一视角或者第三视角的一整段完整任务演示。人做一遍新任务,机器人看完后,在当前场景里按照这个任务再完成一次,这种One - Shot Adaptation的信息密度就很高,因为里面包含了完整的新任务逻辑、动作和场景信息。相反,如果10分钟只是很多重复动作,或者是几个简单小任务拼起来,它的学习价值反而有限。

量子位:所以Long Context的重点,不是把固定窗口从一分钟硬拉到十分钟?

高宇翔:对。真实机器人任务里,很多有效Context可能只有两三分钟。单纯让机器人每次都重新看完整的十分钟历史,没有太大必要。更重要的是新的Context不断进入后,模型能够持续筛选和压缩历史信息。有些最后保留下来的有效信息可能来自十分钟前,也可能来自一小时前。我们理解的Long Context,更接近一种流式机制。最终希望做到机器人可以持续工作、持续利用过去经验,而不会因为固定Context Window耗尽,一到下午就把早上学到的东西全部忘掉。

量子位:但模型本身的显存和Context容量毕竟有限,这种长期Memory具体怎么解决?

高宇翔:目前主要从两个方向着手,这些方案还在内部测试。一个是先提升模型自己的理解能力。模型如果真的理解当前任务,就会更清楚历史里哪些信息重要、哪些信息可以丢掉。所以Memory并不只是压缩问题,也和模型理解能力有关。另一个是对长时序产生的大量KV Cache做压缩,既要保证实时性,也要控制显存消耗。这方面大语言模型和视频生成已经有不少可以借鉴的技术路线,比如Linear Attention、Sparse Attention,还有基于Routing的关键信息筛选。我觉得Long Context最后解决的不是“能塞进去多少东西”,而是在有限的模型容量下,能否一直保留和调用真正有用的历史经验。

目前ICL还缺什么样的数据?

量子位:既然ICL能降低对海量数据的依赖,为什么数据仍然是一个问题?

高宇翔:ICL降低的主要是对“海量任务全覆盖数据”的依赖,但基础数据的数量和多样性依然很重要。在UMI这类本体中心数据逐渐普及之前,行业很难获得以机器人自身动作、本体视角为核心的高质量数据。随着这类数据越来越多,模型才开始具备比较扎实的基础操作能力。ICL并不意味着不再需要数据。它更像是让机器人不必为每一个新任务都重新采集大量专项数据,但前提是模型已经建立起足够好的基础能力。

量子位:那现在最缺的是哪一类数据?

高宇翔:现在比较明显的缺口,是人机教学、实时纠偏和协同作业这类数据。如果希望机器人能够接受人的实时指导,做错之后被及时纠正,甚至和人一起完成任务,模型就需要见过大量类似的交互过程。但目前行业对这类数据还没有形成成熟的定义和采集体系。比如人类手把手教机器人时,哪些信息需要记录,纠错发生在哪个时间点,人的动作、语言和机器人的反馈应该怎么对齐,这些都还缺少统一标准。所以我们后续也会重点去定义这类人机教学交互数据,包括应该采什么、怎么采,以及怎么把它用于ICL训练。

“强理解,轻生成”

量子位:可可矩阵现在在ICL这一块,整体进展如何?

高宇翔:整体进度比我原本预期快一些。

量子位:你原本的预计是?

高宇翔:一开始我们判断,光是把模型的理解能力这一块打磨出来,可能就需要两三个月。但核心团队到齐之后,不到一个月,我们已经拿到了足以验证技术方案可行性的核心证据。现在这部分技术路线基本已经跑通,下一阶段主要是在Scale数据,继续扩量、精炼数据,把模型能力往上推。我们现在最核心的判断是“机器人后面的动作生成能不能做好,很大程度取决于前面到底有没有把物理世界理解清楚”。

量子位:在“理解”这一块,你们做了什么不同的尝试,可以具体说说吗?

高宇翔:我们现在做的是一套“条件表征”,也可以理解成条件隐空间。传统视觉表征通常是一帧图像对应一个固定Embedding。无论机器人现在想做什么,看到这张图后提取出来的信息基本是固定的。但机器人执行任务并非如此。同一张画面,在不同任务、不同动作阶段里,需要的信息完全不同。比如抓一个杯子,刚开始我更关心它是不是杯子,这是语义信息;真正伸手抓的时候,我更关心它的位置、深度、轮廓和空间关系。所以我们认为一个适合机器人的视觉表征,不应该只由“我看到了什么”决定,还应该由“我现在想做什么”共同决定。我们的模型会根据任务条件和动作意图,动态提取不同层级的信息。现在这套统一模型已经在八、九类视觉任务上做了验证,包括深度、分割、人体姿态等。部分任务的能力已经能够接近上一代专门为单任务训练的模型,后面主要继续通过数据把它往当前SOTA推。

量子位:是什么让你们认定“理解做好以后,动作生成反而可以变轻”?

高宇翔:因为现在很多机器人模型的问题,是前面的表征里混进了太多和动作无关的信息。比如桌面到底是木纹还是大理石,这对我要不要抓这个杯子基本没有帮助,但传统视觉Embedding里,这些纹理、材质信息都会一起被编码进去。那后面的Action Head就得非常大,自己从一堆混合信息里把真正和动作有关的东西筛出来。我们的思路是在前面的条件表征阶段,就尽量把动作相关信息提炼出来。我们做过一个比较极端的实验。在同样的训练设置和算力下,把动作头压到大约60M参数,效果依然可以超过一个动作头达到1.1B左右的对照方案。所以现在更相信“强理解、轻生成”这个方向。如果前面的视觉理解足够准确,后面的动作解码其实没有必要设计得特别重。

量子位:什么叫“动作相关信息”?行业里对这有统一定义吗?

高宇翔:目前还没有特别统一、让我觉得足够完善的定义。现在行业里比较常见的一条路线是Latent Action Model。很多人类视频、生成视频,本身没有机器人动作标注,所以大家会训练一个隐变量,去表示帧与帧之间发生了什么变化,把它当成一种“替代动作”。常见做法有两类。一种是只要从第一帧能够推到第二帧,就认为中间的变化包含动作信息;另一种是通过光流,把像素在空间里的变化作为动作表征。但这些方案都有问题。比如光流很稠密,但很难区分到底是相机在动,还是机器人、人物本身在动。人体关键点相对更稳定,不太受相机运动影响,但它的信息又比较稀疏。所以我们没有先人为规定一个非常严格的“动作表示”应该是什么。现在会把人类手部关键点、全身关键点、光流等多种和动作相关的预测任务放进同一个条件表征模型里训练,让不同信息彼此补充。后面如果发现新的预测任务能够帮助动作生成,也可以继续加入训练。我们更希望模型能力的提升来自数据和训练任务本身,而不是不断在结构上做复杂修改。

成功率之外,怎么衡量机器人的学习能力?

量子位:现在可可基础模型的One - Shot能力,大概达到什么水平?

高宇翔:目前比较明确的是简单任务。比如常规抓取类任务,在临时改变目标、做One - Shot Adaptation之后,完成率可以稳定在80%以上。我们现在不仅仅是单独看One - Shot成功率,还要看它和专项Post - training后的能力差距有多大。理想状态下,机器人只看一次示范、在Context里完成快速适配之后,效果应该尽可能接近针对这个任务专门训练出来的模型。复杂任务目前还没有完整评测,因为对应模型还在继续训练。

量子位:主攻One - Shot的同时,为什么还去做Self - Correction?

高宇翔:因为人类学习新任务也不是看一遍之后,每次都能第一次成功。但失败以后,你会知道哪里出了问题,下次会针对性调整。我们希望机器人也有这种能力。第一次执行失败之后,模型会重新利用这段失败轨迹,判断哪里需要修正,再进行下一次尝试。所以Self - Correction其实也是In - Context Learning的一种形态。Context不只来自别人给出的示范,也可以来自机器人自己刚刚经历过的失败。我们的目标是即使第一次没有完成任务,机器人也能通过后续几次自主尝试和纠正,最终完成任务。

量子位:假如机器人可以不断试错,那以后“成功率”是不是不够用了?

高宇翔:对,所以我们之后可能会更关注另外一个指标——第一次成功平均耗时。如果机器人能够持续尝试、持续Self - Correction,那么单纯问“一次任务成功率是多少”,意义会越来越有限。更有价值的问题是,它看完一次示范之后,要花多久才能第一次把这个任务学会。这个时间其实对应的就是机器人的教学成本和学习效率。对于抓取这种简单任务,我们希望它看一次就能第一次成功。但像叠衣服,甚至把衣服叠成大象、天鹅这种,人类自己可能也需要几个小时学习。那我们希望机器人的学习周期,至少可以逐渐接近正常人的培训周期。如果这套能力成立,一个地方、一台机器人学会的新技能,后面也可以被其他机器人继续复用。所以以后衡量机器人智能,可能不只是看它已经会多少任务,还要看它学会一个新任务到底需要多久。

为什么要自己创业?

量子位:你本科就从自驾转向了机器人,大概是十年前。

高宇翔:对,我本科在西安交大少年班,最开始做自动驾驶,大概2016年前后开始转向机器人。那个时候我就觉得,机器人这个问题比自动驾驶更复杂,它同时涉及硬件、算法和数据,而且要解决的场景更多样。后来从JHU博士生辍学,我来到工业界,尤其是人形机器人、数据和模型落地这一侧。

量子位:我看你是从机器人公司傅利叶出来创业的。

高宇翔:对。我2024年加入了傅利叶。这几年我较早参与打通了全尺寸人形机器人的遥操作、数据采集到模型部署这一整套流程,也参与了一些大规模VLA训练。那段经历让我第一次比较直观地看到VLA数据Scaling的边界。后来我们又在内部做了基于世界模型的全尺寸人形机器人Policy,也验证了世界模型确实可以驱动全尺寸人形机器人,并且在一些特性上表现出和传统VLA不同的优势。这几个判断叠在一起后,我开始觉得可能到了需要重新考虑模型范式的时候。我的目标是让ICL远不止于一个“feature”。我们要真正颠覆模型训练范式。

量子位:既然已经在傅利叶内部验证过一些方向,为什么还是决定出来创业?

高宇翔:因为这个方向本质上是一个范式创新的问题。如果继续在原来的组织里做,我很难拿到足够集中的资源,也很难围绕这个方向重新搭一支足够强的模型团队。还有一个现实原因,就是我的联创不可能直接加入原来的团队。但我们真正确定要做这个方向之后,我觉得最合适的合作对象只有她。她长期在学术侧研究机器人泛化、学习能力和ICL,我这边刚好有比较完整的工业界经验,包括本体、数据、模型训练、场景和上下游资源。两边的能力正好互补,所以最后就决定一起出来做。

量子位:你们现在怎么分工?

高宇翔:联创主要负责整体技术路线和核心研发方向;我会更多负责上下游硬件、场景、数据、算力这些问题。这也是我过去两年在人形机器人行业里积累比较多的部分。我踩过很多数据Scale、遥操作数据、第一视角数据、模型部署相关的坑,所以现在更清楚什么样的数据适合什么样的模型,也知道不同数据来源分别应该在训练里发挥什么作用。我们不会把团队做得特别大。模型研发真正核心的团队,本身就不需要很多人。我们更看重团队的智力密度。

量子位:最后聊一下公司名字吧,你们的名字和市面上大多数具身公司的名字风格不太一样。

高宇翔:COEXIST、COWORK、COLLABORATE、COEVOLVE,这就是我们公司名字的由来。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

具身ICL来了创业玩家,上下文成Scaling新赛道

人做一遍新任务,机器人看完后,在当前场景里按照这个任务再完成一次,这种One-Shot Adaptation的信息密度就很高,因为里面包含了完整的新任务逻辑、动作和场景信息。除了继续Scale模型、数据和任务覆盖之外,机器人在部署之后还能不能继续学习,能不能从示范、历史经验和交互过程中快速获得新能力,也开始成为一个新的Scaling方向。我踩过很多数据Scale、遥操作数据、第一视角数据、模型部署相关的坑,所以现在更清楚什么样的数据适合什么样的模型,也知道不同数据来源分别应该在训练里发挥什么作用。

2501_91883294的博客 96

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

无人机路径规划中多种优化算法的仿真研究(Matlab代码实现)

内容概要:本文围绕无人机三维路径规划问题,系统研究了多种智能优化算法在复杂环境下的仿真应用与性能对比,重点实现了改进灰狼优化算法(I-GWO)、标准灰狼优化算法(GWO)、金鹰优化算法(GJO)和正弦余弦算法(SCA)的Matlab代码实现。通过构建包含路径长度、飞行高度、威胁规避及转弯角度等多维度目标函数的综合评价体系,对各算法在单无人机路径优化与多无人机协同集群避障场景中的表现进行全面仿真分析,评估其路径规划能力、收敛速度与鲁棒性。研究旨在实现最低综合成本的飞行路径,并为多智能体协同任务提供可靠的算法支撑。; 适合人群:具备一定Matlab编程基础,从事无人机系统设计、智能优化算法研究、路径规划及相关自动化、人工智能领域的科研人员、工程技术人员及研究生。; 使用场景及目标:① 掌握主流智能优化算法在三维空间路径规划中的具体建模与实现方法;② 对比分析不同算法在路径优化质量、计算效率、避障能力和多目标权衡方面的性能差异;③ 为多无人机协同执行侦察、监测、救援等任务提供高效的路径规划解决方案与仿真验证平台。; 阅读建议:建议结合文中提供的Matlab代码进行动手实践,重点关注算法参数调优、目标函数设计以及环境障碍物建模对最终路径的影响,可进一步扩展至动态障碍环境或加入通信约束以适应更复杂的实际应用场景。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书

内容概要:本文档《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》系统阐述了全桥LLC谐振变换器在开关电源中的设计方法,重点利用Mathcad工具进行精确的数学建模与参数计算。内容涵盖LLC谐振变换器的工作原理、关键参数设计(如谐振频率、励磁电感、变比等)、闭环控制策略、软开关实现条件、效率优化及工程实践中需注意的关键事项。文档通过详尽的数学推导和工程实例,构建了一套完整的从理论分析到实际应用的设计流程,特别强调了在不同负载与输入电压条件下确保ZVS/ZCS软开关的实现机制,并提供了实际设计中的取值依据与优化方向,为电力电子工程师提供了一个高效、可靠的设计参考方案。; 适合人群:具备电力电子技术基础,从事开关电源研发的工程师、高校电力电子及相关专业的研究生与科研人员,以及熟悉Mathcad、Simulink等仿真与计算工具的技术人员;; 使用场景及目标:① 掌握全桥LLC谐振变换器的参数设计与性能优化方法;② 开发高效率、高功率密度的软开关电源系统;③ 支持科研项目或工业产品中高性能电源模块的设计与验证;④ 结合仿真模型进行设计结果的验证与教学培训;; 阅读建议:建议结合配套的仿真模型与计算书同步学习,重点关注参数设计公式的推导过程与工程取值的合理性,动手复现计算步骤以加深理解,并通过仿真手段验证设计结果的准确性与鲁棒性。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink仿真实现的具有PWM控制VSC-HVDC链路的IEEE30总线传输系统,系统性地阐述了电压源换流器高压直流输电(VSC-HVDC)的技术原理及其在复杂电力系统中的集成应用。研究重点涵盖VSC-HVDC系统的基本结构、PWM调制控制策略的设计与实现,并将其嵌入IEEE30节点标准测试系统中,构建完整的多区域交直流混合输电仿真模型。通过Simulink平台对系统在不同运行工况下的动态响应进行仿真分析,验证了PWM控制在有功功率、无功功率独立调节、直流电压稳定及故障穿越能力方面的有效性。该仿真模型不仅有助于深入理解现代高压直流输电技术的工作机制,也为含大规模可再生能源接入的智能电网稳定性分析与优化控制提供了可靠的技术支撑与研究平台。; 适合人群:具备电力系统分析、高压直流输电技术基础以及Simulink/MATLAB仿真能力的研究生、科研人员及从事电力系统规划与运行的工程技术人员。; 使用场景及目标:① 掌握VSC-HVDC系统的核心控制原理及其在多节点电网中的建模方法;② 学习并实践基于PWM调制的矢量控制策略在Simulink中的实现过程;③ 对比分析交直流系统在稳态与暂态过程中的功率传输特性与动态响应,为新能源并网、电网互联等实际工程问题提供仿真依据和技术参考。; 阅读建议:建议读者结合文中理论分析与Simulink仿真模型,逐步完成模型搭建与参数设置,并通过改变系统运行条件(如负载投切、故障扰动等)观察系统响应变化,深入理解控制策略的有效性与局限性。同时,鼓励扩展模型功能,如引入风电/光伏等可再生能源接口,进一步探索VSC-HVDC在现代电力系统中的综合应用潜力。

九个版本一步跨:从JDK8到JDK17的特性增量、强封装迁移与ZGC实战解析

这篇文章要回答的,正是“从 JDK 8 直接跨到 JDK 17”这件事里最常被问到的四个问题: 九个版本到底攒下了什么? 语言、API、运行时三类变化里,哪些值得用、各自从哪个版本开始可用、哪些说法其实传错了。 升级为什么会“起不来”或“跑不通”? 强封装、被删除的模块、被移除的 JVM 参数,分别会以什么样子出现,怎么定位、怎么治本。 ZGC 的收益是真的吗?怎么测才算数? 停顿影响面怎么估算,压测时有哪些坑会把收益放大或掩盖。 落地要分几步走? 站在 2026 年,还该不该把 17 当终点。

上一篇: 2026年中国AI资本化元年:智谱、MiniMax等公司上市,高估值与暂未盈利并存!
下一篇: IFA 2026:中国企业占比近半,小米携新品登场,消费级机器人成热门亮点!
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值