登录社区云,与社区用户共同成长
邀请您加入社区
学习目标:为机器人测试岗位打基础,能建立仿真环境、观察机器人通信与传感器数据、控制机器人,并留存可用于定位问题的证据。本文只记录本人已经完成的 ROS2 学习和实操。SLAM 建图、定位、Nav2 导航、故障注入、自动化报告尚未完成,不将其写成已掌握。
交换机侧把连接路由器的接口配置成 Trunk,允许多个 VLAN 标签通过,路由器子接口负责剥离 / 封装 VLAN 标签,完成 VLAN 间路由。对比:Access 单 VLAN 且无标签(指发送无标签),Trunk 多 VLAN 且默认只剥离 PVID 标签,Hybrid 多 VLAN 且标签剥离可以逐 VLAN 自定义。华为静态路由默认优先级是60,数值越小优先级越高。DHCP(动态主机配置
你有没有遇到过这种场景:给客户演示聊天机器人,前一句刚说完"这款适合干皮",下一句对方追问"那这个多少钱",它却像失忆了一样,答得牛头不对马嘴。这不是模型不行,是多轮对话的「记忆」没接上。
RoboticsNotebooks开源学习笔记,其以代码驱动、循序渐进为特色,通过可运行示例与仿真环境帮助理解机器人学核心概念。文章梳理了从基础数学、运动学到路径规划、SLAM的完整学习路径,并推荐Python、PyBullet、ROS等实用工具链,助你高效构建机器人知识体系。
前两天,阿里Qwen团队开源了他们一项基于Qwen3.5 4B VLM架构的自动驾驶基础模型:「Qwen-Drive-1.0-4B」。
本文深入浅出地介绍了Agent的价值与运作机制,强调Agent的核心在于将目标转化为可验证的行动,而非简单的聊天机器人。文章详细解析了Agent的构成要素,包括模型推理、运行框架Harness、工具调用、状态与上下文管理、工作流与护栏控制,以及评估和监控等关键模块。同时,探讨了Agent与Workflow的区别、Agent Loop的运行原理、状态管理、上下文工程、检索与事实 grounding、
*网络爬虫(又被称为网页蜘蛛、网络机器人,在FOAF社区中,更经常地称为网页追逐者)是一种按照一定的规则,自动抓取万维网信息的程序或者脚本。**另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。网络爬虫通过爬取互联网上网站服务器的内容来工作。它是用计算机语言编写的程序或脚本,用于自动从Internet上获取信息或数据,扫描并抓取每个所需页面上的某些信息,直到处理完所有能正常打开的页面。
随着机器人从传统工业自动化逐步向具身智能、自主操作发展,高质量运动数据成为机器人训练的重要基础。动作捕捉技术能够将现实世界中的人体运动转换为数字化数据,因此可以作为机器人运动数据采集的一种技术路径。
创建vlan设置IP。
AI Agent(人工智能体)是一种能够感知环境、理解用户意图、自主规划任务并调用外部工具完成复杂目标的智能系统。与传统的对话式大模型不同,AI Agent 具备自主性、可观察性和可纠正性,能够在多轮交互中不断优化自己的行为策略。它不仅仅是一个能够回答问题的聊天机器人,更是一个能够独立思考、拆解任务、调用资源并执行操作的数字劳动者。从架构上看,一个完整的 AI Agent 通常由大语言模型(LLM
很多人好奇:如今人形机器人可以切黄瓜、倒水、叠衣服。这些复杂灵活的动作,机器人究竟是怎么学会的?在过去,机器人的动作靠人工编程实现。工程师需要逐行编写代码,定义每一个关节转动角度、运动轨迹。流水线上面向固定工序的工业机器人,靠这套模式可以稳定作业。但这套方案短板十分突出。环境稍有变化,物体位置偏移,就需要工程师重新调试改写代码。面对叠衣服、倒水这类动态、非标准化任务,变量极多,根本无法穷举所有情况
Linux 系统中每个进程都有唯一的进程标识符 PID(Process ID),以及标识其来源的父进程 ID PPID。进程的生命周期通常包括:创建(fork)→ 执行(exec)→ 运行/等待 → 终止(exit)→ 父进程回收。若子进程终止后父进程未及时回收其资源,该进程将变为僵尸进程(Zombie),持续占用进程表项。TCP/IP 模型是互联网实际采用的协议栈,通常分为四层:应用层、传输层、
本文深入浅出地解析了当前AI大模型的发展趋势,涵盖模型竞赛、AI智能体、人形机器人、算力需求、就业影响以及全球治理等方面。文章指出,AI已不再局限于聊天,而是正迈向行动智能体和具身智能的新阶段,算力需求激增,就业市场将面临重新分配。同时,全球范围内的AI治理也在逐步加强。对于普通人而言,理解并学习AI大模型是适应变化的关键,将其视为一项需要长期练习的技能,通过实际应用融入工作流,是应对未来的明智之
不过,鉴于激光雷达的精度和范围(例如,可以清晰地探测到200米以外的物体),人们普遍认为其在碰撞和障碍物规避方面的作用至关重要。激光雷达的详细3D地图可为机器人提供所需的精确数据,以便在繁忙和不断变化的环境(如仓库和工厂)中快速做出明智的路线决策。借助光学和光子学软件,如Ansys Speos、Lumerical、Zemax和AVxcelerate,设计人员可以探索多种场景,以准确预测激光雷达的运
它记录的不只是动作,而是物理交互与因果关系——人为什么这么做、环境光影、桌面材质、为避开障碍而调整的路径,都被存进每一条数据的「场景记忆」。这正是「先理解,后执行」的技术理念:理解在前,执行在后,模型里装的就不再是某台机器人的动作库,而是跨场景成立的物理规律。深度机智给出的答案,是把人类数据变成模型能力。这条路,就是人类学习技术路线:从人类数据里提取物理常识,推高基座模型的理解上限,再转化为真实世
AI大模型应用开发工程师连接技术与用户,将大模型能力转化为实用产品。职责包括需求拆解、技术选型、开发对接、测试优化及持续迭代。薪资最高可达60k/月,市场认可度高,职业前景广阔。</think>AI大模型应用开发工程师连接技术与用户,将大模型能力转化为实用产品。职责包括需求拆解、技术选型、开发对接、测试优化及持续迭代。薪资最高可达60k/月,市场认可度高,职业前景广阔。
机械臂、移动机器人、四足机器人、人形机器人、轮足平台、仓储机器人、服务机器人等不同形态,本质上对应的是不同任务边界和不同能力约束。,已经成为很多系统中的关键组成部分。它们的重要性在于,真实环境过于复杂,仅靠人工规则和精确建模很难覆盖全部场景,而学习型方法可以帮助机器人从大量交互数据中提取策略、提升泛化能力,并逐步适应复杂环境。它在仓储、配送、巡检、园区服务、室内移动机器人等场景中,能够提供相对稳定
导语:三个月的婴儿躺在摇篮里,脚上系着一根连到头顶玩具架的绳子。蹬腿,玩具就动。这个看似简单的“移动范式”实验,是发展心理学的经典范式,用来研究婴儿如何学会“我的动作能影响世界”。2026年,一项发表在《Science Robotics》上的研究,让一个儿童尺寸的iCub人形机器人躺进婴儿床,复现了这个经典实验。但结果挑战了一个长期被默认的假设:偶联学习的表现,远不止“动得更多”。机器人发展出了至
本文整理了8月关于具身智能、GPU、VLA与AI工具的学习笔记,并从注意力、行动、等待和写作出发,记录长期学习中的判断。
1990年代中期,机器学习领域正经历一场深刻的分裂。一方面,神经网络在1980年代末经历了短暂的复兴后,再次面临理论根基不稳的质疑——没有人能精确回答"一个三层网络需要多少训练样本才能泛化"这样的基本问题。另一方面,Vladimir Vapnik 和 Alexey Chervonenkis 在过去二十余年间默默构建的**统计学习理论(Statistical Learning Theory, SLT
原文主要讲AI赛道资本热潮,催生五类紧缺岗位,给应届生建议。需要浓缩核心内容:资本涌入(软银投OpenAI、Kimi估值、自变量机器人),五类岗位,建议。要控制在150字内。</think>AI赛道资本狂欢,软银加注OpenAI,Kimi估值飙升,具身智能公司连融四轮。大模型算法、AI Agent、具身智能、AI应用、数据工程五类岗位急缺人。应届生应紧盯资本流向、用3个月项目实战替代读研、尽早培养
文章主要介绍AI Agent在医药医疗行业预测性维护中的开源项目,包括药物研发优化(PharMolixFM、DrugAssist、MOLLEO)、医疗影像分析(BAAI Cardiac Agent、cheXAgent)、医疗设备维护(通用架构、联邦学习),最后强调大模型职业机遇和学习资源。摘要需简洁概括核心内容,控制在150字内。</think>本文聚焦AI Agent在医药医疗领域预测性维护的开
深度机智的 ICDC 情境数采,记录的不只是动作,而是物理交互与因果关系——人为什么这么做、环境光影、桌面材质、为避开障碍而调整的路径,都被存进每一条数据的「场景记忆」里。它把数据来源从昂贵的真机采集,转向更容易获得的人类第一视角数据——采集门槛被放平,竞争焦点从「谁的真机多」,移到「谁能把人类数据用得更透」。这正是「先理解,后执行」的要义:理解在前,执行在后,模型里装的就不再是某台机器人的动作库
我作为一个准备做机器人产品的硬件工程师,应该相信谁?① 乐鑫官方资料:芯片底层设计的最高优先级② 乐鑫官方 Reference Design:学习产品级实现③ 成熟硬件公司的量产产品:学习工程取舍④ 嘉立创/Seeed/Waveshare 等:学习制造和实际工程⑤ 高水平 Maker:学习巧妙方案和低成本实现⑥ 普通 DIY 项目:只能作为案例参考,不能当设计规范你现在已经不是单纯的 ESP32
感知-决策-行动”闭环系统Agent的中文叫“智能体”,它的本质不是聊天机器人,而是一个能感知环境、自主规划、调用工具、执行动作并反馈结果的自治实体。完整的Agent通常包含四个模块:感知模块:理解用户目标的意图规划模块:把大目标拆成子任务记忆模块:短期记忆+ 长期记忆行动模块:调用Skill去执行具体动作未来的AI能力可形式化为优秀Agent框架与丰富Skill生态的乘积。
脉脉《2026春招职场洞察报告》显示,AI岗位量同比暴增8.7倍,AI科学家/负责人月薪破10万元,成为高薪职业断层领先者。新经济行业高薪岗位TOP20中,AI占据多数。字节跳动、大疆等大厂吸纳就业力强。文章建议考生关注AI相关新专业,如具身智能,并强调“AI+X”方向在各行业的兴起。中等生可尝试报考AI核心专业,文科生也需重视AI时代的新文科机遇。城市选择同样重要,一线城市AI岗位渗透率高,实习
不同关节造成的末端位移可能完全不同,Jacobian就在描述这种“杠杆效应”。Jacobian 的每一列,可以理解成“某一个关节单独动时,末端会怎么动”。学完这一课,你就已经进入“能独立解释一个实用数值IK算法”的阶段。这一步开始,我们就从“学概念”正式进入“以后要写项目”的阶段。这两个问题一解决,IK才开始像“真正能用于机器人”的算法。对于人形浮动基机器人,还会比普通机械臂更复杂,我们后面讲。这
它不只是普通的聊天机器人。AI Agent 与传统对话产品的本质区别,在于自主性。一个真正的 AI Agent,能够理解复杂目标、自主制定计划、调用工具完成任务,并根据执行结果不断调整策略 —— 而你只需要给出一句高层级指令。举个直观的例子:你告诉 Agent:帮我分析新能源汽车市场最新趋势,周五前输出一份 10 页的行业报告。成熟的 AI Agent 会自动完成:搜索最新数据、梳理竞品信息、整理
Base Position 是机器人主体在某个世界/参考坐标系中的位置。Base Velocity 积分可以得到 Base Position,但误差也会被一起积累。Odometry 更关注“从起点到现在移动了多少”,本质上主要是相对运动估计。Leg Odometry 可以利用编码器、腿部运动学和支撑脚约束来估计 Base 的运动。即使脚不明显打滑,模型误差、关节误差、接触误差等仍然会让位置逐渐漂移
LLM 是大脑——负责思考。Agent 是行动者——负责决策和执行。Skill 是技能——决定具体能做什么。MCP 是连接标准——让 AI 更方便地调用外部工具和服务。LLM 提供智能,Agent 组织行动,Skill 提供能力,MCP 连接世界。这也是为什么今天的 AI 正在发生一个重要变化:Chatbot(聊天机器人) → Copilot(智能助手) → Agent(智能体)过去,我们问 AI
最近学习到了进程间通讯,管道,共享内存,信号,消息队列,socket套接字这些,还没整理完,还差一点进程间通讯的安全维护方法这些,像信号量,互斥锁这些。我要看看是现在学还是再学完线程后再一起看。前段时间找到了一个初创小厂实习,是做什么割草机器人的。明天要开始当牛马了,估计会学到挺多东西的,先去看看。找到工作后,就有些事耽搁了,就没有推进学习进度了。
包括:DHCP,NAT,子网,IPv4,IPv6,公网IPv,私有IP,虚拟IP,VPN,DNS,路由器和交换机,VLAN,OSI模型,MAC寻址,ARP。网安其实不难,难的是坚持和相信自己,我的经验是既然已经选定网安你就要相信它,相信它能成为你日后进阶的高效渠道,这样自己才会更有信念去学习,才能在碰到困难的时候坚持下去。从时代发展的角度看,网络安全的知识是学不完的,而且以后要学的会更多,同学们要
行业把这些规律称为"物理常识",也被比作具身智能的"暗物质":缺失它,模型表面尚可,泛化必然失败;在 SimplerEnv 的仿真胡萝卜抓取实验中,模型的训练数据全是"成功夹取",它从未见过"推"这个动作,训练里也没有一条失败轨迹。这条路,就是深度机智坚持的人类学习技术路线:从人类数据中提取物理常识,推高智能的上限,再转化为真实世界里的行动力和泛化性。轨迹拟合教的是"记住某台机器人的动作",换一个
本文提出,真正的动态认知要求系统理解自身行为对环境的改变,并针对改变后的世界重新建立认知模型,而非简单重试(Retry)。最终,本文认为ICAI动态认知的关键标志在于:机器人的认知不仅计算“当前应该做什么”,还必须能够理解自己的行为改变了世界,并针对改变后的世界重新建立认知。在认知机器人学领域,部分研究提出“错误作为探索信号”的观点。我们提出并验证了“失败→物理变化→新场景→重新认知→新行为”的完
而双脑的语义底座,构成全球首个基于人类学习范式的具身智能基座模型PhysBrain1.0的关键架构,从人类第一视角数据中提取物理常识,经 PhysBrain VLM 骨干与翻译管道注入模型,再落到 TwinBrainVLA 的动作生成上,加以LangForce避免视觉捷径。论文开篇先给了一个判断:VLA 已经成为通用具身智能体的主导范式,但当前系统能否从更有效的架构设计中受益,能否靠更大规模、更多
以前AI只能识别“谁在画面正中间”(静态IP识别)。现在,VIP-Net能够综合“谁在说话、谁在动、谁在长时段内吸引了最多关注”,揪出视频中真正的灵魂人物,并像一位专业解说员一样,告诉你“为什么这个人就是全场焦点”。这为自动剪辑、智能监控、社交机器人提供了极其有价值的认知基础。
`LeRobot`是 Hugging‑Face 推出、基于 PyTorch 构建的端‑到‑端机器人学习开源库,主打**硬件无关抽象层、标准化机器人数据集格式、开箱即用的模仿学习策略**;打通从真实机械臂数据采集、数据集存储、VLA 视觉语言动作模型训练到机器人真机部署的完整流水线,目标降低具身智能落地门槛。本文基于固定源码快照开展全量源码资产普查、策略调度执行器、数据集读写链路、机器人硬件通信、远
在 ResNet 或 ViT 上能跑通的代码,直接替换成 Swin Transformer 后经常会遇到几类问题。下面按“输入尺寸 → 显存 → 训练收敛 → 窗口划分”的顺序,给出排查思路与可直接复用的代码示例。本文系统梳理了 Swin Transformer 的核心原理,包括 Patch Embedding、移位窗口自注意力、相对位置偏置和层次化特征提取,并给出了完整的 PyTorch 复现。