- 博客(43)
- 收藏
- 关注
RSS订阅原创 小智实战解读-一块板子能上多大的模型，算清端侧大模型的内存账
本文以 llama.cpp 为工具，系统梳理端侧运行大模型的内存账本：权重、键值缓存（KV Cache）、运行时缓冲与框架开销。强调 KV Cache 随上下文线性增长，是长对话瓶颈的关键；量化虽省内存但影响质量，需实测验证。通过 llama-bench 实现可复现基准测试，提出“先算账、后实测”的工程方法，帮助判断模型容量可行性，避免因忽略缓存与碎片导致的 OOM 问题。
2026-10-12 09:54:17
435
原创 小智改造实战解读-用kokoro-onnx替换云端 TTS 的完整记录
本地化语音链路中，TTS仍依赖云端会导致断网即哑、数据外泄。kokoro-onnx以约80MB量化模型实现轻量本地合成，支持多语言多音色，通过文本前端、时长预测、声码器三段打点定位延迟瓶颈。虽精度受量化影响，但其MIT/Apache双许可与清晰版本管理，适合需闭环部署的场景。关键在验证文件完整性、匹配音色表，并用实测耗时替代体感判断优化方向。
2026-10-10 23:00:45
263
原创 小智改造实战解读-端侧语音识别的两条路线
本文对比端侧ASR两大工程路线：whisper.cpp（ggml自研）与sherpa-onnx（ONNX Runtime+硬件EP），聚焦可复用的选型方法。以whisper.cpp为例，剖析其自包含特性、量化必要性及实测关键——需控制变量，对比同设备、同音频下的延迟、内存、准确率三维度数据。强调量化虽降体积但损质量，必须实测CER；指出whisper.cpp当前不支持高通QNN，NPU加速需谨慎验证。最终提出“体积-质量-速度”三方表决策模型，助力落地选型。
2026-10-10 22:56:57
317
原创 把小智的耳朵搬到板子上：用 sherpa-onnx 跑通本地 VAD + ASR + TTS 的一次完整改造
本文将语音助手链路从“设备+服务器”迁移至单板本地化，聚焦VAD、ASR、TTS三环的端侧部署。选用sherpa-onnx框架统一实现多任务（含关键词唤醒、说话人分离等），支持12种语言及五大NPU加速（含Qualcomm QNN），通过逐环验证与有界队列串联，确保链路稳定。基于同一模型族对比原云端方案，保障实验可比性，并明确标注小语种识别、音色自然度与NPU回退路径等边界条件，实现全链路本地化闭环。
2026-10-09 10:08:43
304
原创 小智改造实战解读-首 token 延迟去哪了：云端与端侧大模型的分段对照
将大模型从云端迁移至端侧，本质是延迟结构的重构：网络往返被消除，但本地算力压力显著放大。首 token 延迟与生成吞吐需分开评估，优化顺序应为模型尺寸→上下文长度→量化与系统参数。实测表明，“端侧更快”并非必然，需结合硬件、模型规模与网络环境综合验证。语音链路中句级流式会放大单次延迟差异，必须以“一轮对话”为单位测试。数据采集须避免缓存、温度漂移等干扰，保留原始日志以保障可复现性。最终决策应基于真实测量，而非“端侧化即更快”的错误直觉。
2026-10-08 11:17:11
338
原创 小智改造实战解读-“模型加载失败“不是一句话：六类原因与定位顺序
“模型加载失败”是多种病因的统称，本质需按路径、完整性、版本、格式、权限、内存顺序排查，避免盲目试错。最快方法是使用已知可用的小模型进行替换法分诊，快速定位问题域。注意“能加载”不等于“能用”，输出异常多由版本或模板不匹配导致。预防关键：路径用绝对路径、下载后校验哈希、版本组合明确定义。
2026-10-08 11:14:36
173
原创 小智改造实战解读-本机 curl 通、跨机访问不通：本地大模型服务的地址与绑定坑
“本机通、跨机不通”多因服务仅绑定回环地址（127.0.0.1）。排查应按网络→传输→应用→服务分层进行，先区分连接拒绝、超时或404等形态。改绑定需同步更新服务端监听地址（如改为0.0.0.0）与调用方配置，漏一即无效。容器场景则需检查端口映射。关键：避免误将“进程在跑”等同于“可跨机访问”，并注意双栈、斜杠拼接等隐蔽陷阱。
2026-10-08 11:08:21
304
原创 小智改造实战解读-端侧大模型服务的 OpenAI 兼容说到哪一层：请求字段逐个试一遍
本地大模型服务的“OpenAI 兼容”仅保证核心请求响应结构一致，深层语义与行为差异易被忽略。需分层验证：传输、字段、语义、行为层，尤其警惕“静默忽略”——参数有效但无实际作用。建议先用 model+messages 跑通，逐项测试参数并建立兼容度矩阵。端侧与云端在并发、上下文上限及字段处理上存在差异，务必实测验证，避免上线后暴露隐患。
2026-10-07 23:53:09
321
原创 把小智的“大脑“搬到板子上：用端侧大模型替换云端 LLM 的完整改造
本文介绍将小智（xiaozhi-esp32）系统中的LLM层从云端迁移至本地端侧的改造实践。基于端侧大模型服务的OpenAI兼容接口，仅需修改配置即可实现“设备+服务端”向“单板全栈”的转变，显著提升离线可用性与数据隐私性。改造聚焦于低门槛、高见效的LLM层，避免动辄复杂的ASR/TTS链路，同时明确边界：端侧0.5B模型能力弱于云端，但换来部署简化、断网可用与数据不出设备的核心优势。通过建立基线、验证服务、合理选型，实现快速落地，为后续全链路本地化改造奠定基础。
2026-10-07 23:23:54
355
原创 第 12 讲：阿加犀 AidLux 部署与量产——把端侧 AI 应用做成 7×24 产品
第 11 讲，我们把视觉、检测、大模型、跨系统通信装配成了一个能跑的端到端应用。在你的开发板上，它跑得很好。但请注意一个前提：那块板子插着电、连着你的调试终端、有你在旁边盯着。真实世界不是这样——设备要装到车间、门店、园区，一跑就是几个月，没人天天看着，会断电、会过热、会升级、会出各种你想不到的幺蛾子。从"我板上能跑"到"客户现场长期稳定跑"，中间这段路叫工程化量产。它不加任何新的 AI 能力，却决定了你的成果到底是一个"Demo"还是一个"产品"。这一讲，我们就走完这最后一步。
2026-10-06 23:57:08
284
原创 第 11 讲：阿加犀 AidLux 多组件综合实战——端侧“智能摄像头解说“全链路
本文以“智能摄像头解说”为例，系统讲解多组件协同的实战编排难题。核心在于突破“单组件会用”到“整体集成”的瓶颈，重点解决节奏不匹配、资源叠加等工程风险。通过分阶段联调、生产者-消费者队列解耦、配置驱动设计与触发策略优化，实现视频采集、检测、大模型生成与跨系统推送的流畅链路。强调“先画蓝图再动手”，以可测指标确保系统稳定运行，为复杂AI应用落地提供可复用的架构范式。
2026-10-06 23:55:17
385
原创 第 10 讲：阿加犀 AidVoice 端侧语音交互与语音识别实战
AidVoice 是 AidLux 工具链中负责端侧语音识别（ASR）的核心组件，支持语音转文字、翻译、会议纪要与 RAG 检索增强。其标准链路为：麦克风采集 → 音频前处理 → ASR → 大模型理解 → 文字或语音返回。关键指标为 RTF（实时率）和 WER/CER（错误率），需用固定测试集量化验收。纯 ASR 可在犀牛派 A1 上运行，而“ASR + 大模型”组合建议使用算力更高的 X1。适用于隐私敏感、离线可用、低延迟场景，如语音控制、问答助手、跨语言沟通等。
2026-10-06 23:53:30
384
原创 第 09 讲：阿加犀 AidConnect 融合通信与 Android↔Linux 数据通道
本文聚焦融合系统中Android与Linux间的“最后一公里”通信难题，详解AidConnect基于共享内存的零拷贝机制。通过对比网络、文件等方案，突出共享内存对图像、张量等大数据的高效传输优势。文章阐明AidIPC实现双向低延迟通信的原理，强调同步、序列化与跨系统协作的重要性，并结合犀牛派A1平台演示部署流程，最终揭示其作为AI能力“桥梁”的核心价值——让前后端协同真正实现无缝衔接。
2026-10-06 22:58:11
482
原创 第 08 讲：阿加犀 AidGenSE 端侧大模型服务化与 OpenAI 兼容接口
本文详解大模型服务化的必要性：将本地大模型（如Qwen2.5）封装为基于OpenAI兼容接口的HTTP服务，实现模型共享、语言解耦与接口标准化。通过AidGenSE工具链，可在犀牛派X1上部署服务，支持Python等多语言调用，利用SSE实现流式输出。服务化后需由客户端管理对话上下文，注意并发与内存约束，优化首token延迟与排队问题。核心优势在于将“可运行的Demo”转化为“可集成的产品能力”。
2026-10-06 22:55:18
430
原创 第 06 讲：阿加犀 AidStream 视觉流水线引擎与视频 AI 应用实战
本文系统讲解了视频AI应用从单帧到视频流的工程跃迁，重点介绍AidStream框架如何通过硬件加速流水线解决解码、编码、同步等复杂问题。相比OpenCV软解方案，AidStream以回调式设计实现“只写算法、不操心流”，结合AidLite与AidCV形成完整视觉链路。文章还深入剖析了GStreamer插件体系、版本适配、多路拼接及码率权衡等实战要点，强调“用对版本、选对插件”的工程纪律，助力开发者高效构建稳定高效的视频AI应用。
2026-10-05 20:07:03
451
原创 第 07 讲：阿加犀 AidGen 生成式推理框架与大语言模型端侧部署
本文聚焦端侧大模型落地挑战与实践路径，解析将大语言模型（LLM）部署于边缘设备的机遇与三大约束：算力、内存与功耗。基于AidLite底座构建的AidGen推理框架，实现生成式模型在CPU/GPU/NPU上的高效调度，支持多轮对话与本地化推理。以犀牛派X1为平台，推荐从0.5B小模型起步，通过Model Farm获取适配模型，结合aidgen_chat_template.txt规范对话格式，实现在隐私敏感、断网场景下的智能交互。强调版本对齐与C++主路径的现实约束，倡导“先跑通、再优化”的渐进策略，为具身智能
2026-10-05 20:04:10
489
原创 第 05 讲：阿加犀 AidCV 图像处理加速与 OpenCV 一致开发实战
本文详解AidLux端侧视觉处理中“显示难”问题，指出OpenCV的imshow在Web桌面环境无法使用。核心解决方案为AidCV：提供与OpenCV一致的API，支持相机采集（含MIPI）、Web桌面渲染（通过port参数指定），实现“即插即用”的实时画面展示。通过try/except兼容写法，代码可无缝迁移至开发机与板子。结合YOLO模型，构建从采集、推理到画框、渲染的完整闭环，打通端侧视觉最后一公里。
2026-10-04 19:51:41
1796
原创 第 04 讲：阿加犀 AIMO 模型优化平台与 Model Farm 模型广场实战
本文系统梳理了端侧模型供给的完整链路，从训练模型（.pt/.onnx）出发，经由AIMO平台实现格式转换、图优化与量化压缩，最终输出高通NPU可高效运行的QNN INT8模型。重点解析了AIMO作为“加工厂”的核心能力——支持SaaS与私有化部署，自动处理算子适配与量化校准；强调校准数据代表性对精度的关键影响，并介绍通道级均衡（CLE）、对称/非对称量化等关键技术。结合Model Farm现成模型库，提出“现成优先、缺啥补啥”的实践策略，确保模型在犀牛派A1/X1上稳定推理，为后续多后端迁移打下坚实基础。
2026-10-04 19:48:49
915
原创 第 03 讲：阿加犀 AidLite 多框架与多芯片迁移实战
本文详解AidLite多框架、多芯片迁移实战，核心在于“可参数化后端配置”：通过统一API（Model/Config/Interpreter），仅需修改三行配置（框架类型、加速方式、量化状态），即可在QNN、SNPE、RKNN、TFLite间无缝切换。实现“一次开发，跨平台运行”，显著降低维护成本。结合版本管理与决策树选型，助力项目从验证到量产平滑过渡，是端侧推理高效落地的关键工程范式。
2026-10-03 14:11:18
467
原创 第 02 讲：阿加犀 AidLite 推理引擎核心原理与第一个推理程序
AidLite 作为统一推理层，解决端侧AI模型与芯片的“排列组合地狱”问题。通过抽象Model、Config、Interpreter三要素，支持多框架（TFLite、ONNX、SNPE、RKNN等）与多芯片（高通、瑞芯微）的统一调用，实现一次开发、跨模型跨芯片迁移。其核心优势包括零拷贝数据传输、自动布局转换（NHWC）、量化模型优先部署NPU，以及灵活后端选择策略。结合犀牛派A1实测YOLOv5案例，验证了高效推理流程，显著降低开发与迁移成本。
2026-10-03 14:03:32
260
原创 第 01 讲：阿加犀 AidLux 融合系统总览与开发环境搭建
过去十年，AI 最热闹的地方在云——大模型在成片 GPU 上训练，推理也大多集中在云端。但最近两年一个明显的趋势是：**推理在往边缘回流**。原因并不复杂：摄像头、机器人、工业质检这类场景，数据不能也不该全部回传云端，本地实时推理才能满足毫秒级响应，数据不出本机才能满足合规；长期调用云端 API 的费用会随业务量线性增长，而端侧硬件一次性投入后，边际推理成本趋近于零；车载、野外、产线等环境网络并不总稳定，本地模型才能"永不掉线"。
2026-10-02 14:06:18
596
原创 第 12 讲 · 综合实战与收尾：端到端项目复盘与生态路线图
本文为《高通 NPU 边缘 AI 实战》系列收官之作，以犀牛派 A1（QCS6490）为载体，通过工业缺陷检测端到端案例，串联“选型→部署→量产”全流程。梳理12讲核心产出物衔接链，揭示五大典型坑（版本错配、量化掉点、带宽墙、thermal降频、选型错配），并提供可勾选检查单、知识地图与进阶路径。强调：技术落地成败不在单点精通，而在环节对齐与系统视野。
2026-10-02 12:50:39
358
原创 第11讲 · 性能调优与生产化：功耗、热、线程与量产迁移
本讲聚焦边缘AI从“能跑通”到“可量产”的关键跃迁，系统性解决性能调优与生产化难题。通过qnn-profile精准定位推理热点，识别并优化fallback层、数据搬运瓶颈；深入剖析thermal降频根源，提出功耗/热管理策略；掌握多模型并发、batch优化与模型轻量化落地方法；最终完成从开发板到OEM量产的迁移路径（BSP锁定、SOM选型、OTA）。提供可执行的调优checklist、量产清单与降频对策表，实现7×24稳定运行，真正迈向工业级部署。
2026-10-01 12:58:39
468
原创 第10讲 · 机器人感知与 ROS2：Intelligent Robotics SDK
本讲将高通NPU推理从单脚本扩展为可复用的ROS2感知节点，解决机器人系统中多模块协同问题。通过构建“相机→推理→检测”节点链，实现消息解耦与频率匹配，掌握节点设计、QoS配置、Launch编排及多模型算力分配策略，最终输出可适配不同机器人的标准化推理模板，助力边缘AI向工程化机器人系统落地。
2026-10-01 12:45:33
380
原创 第09讲 · 多媒体与音频 SDK：硬件编解码与端侧语音
本讲聚焦边缘AI实战中“边采集边推理”的核心挑战，揭示硬件编解码（VPU）在实时音视频流处理中的关键作用。通过对比软硬解码差异，强调将解码、预处理等格式转换任务交由专用硬件，释放CPU与NPU算力。构建“捕获→硬件解码→NPU推理→显示/编码”流水线架构，实现30fps级低延迟流式处理。结合生产者-消费者模型与队列缓冲，落地可扩展的实时检测系统，为安防、机器人等场景提供高效、低功耗的端侧推理方案。
2026-09-30 10:58:23
552
原创 第08讲 · 视觉与相机流水：Spectra ISP 与实时检测
本讲将第07讲的INT8模型接入犀牛派A1（QCS6490）真实摄像头，构建从“相机→Spectra ISP→NPU推理→后处理→显示”的完整实时视觉流水线。通过硬件零拷贝、ISP预处理对齐模型输入、多路并行等工程方法，实现1080p下≥25FPS稳定推理，并量化带宽、延迟与吞吐。重点揭示Spectra ISP在降低延迟、释放算力中的核心作用，提供可复用的流水线拆解图、延迟分析表及Python估算脚本，助开发者跨越“单帧跑通”到“系统落地”的关键鸿沟。
2026-09-30 09:59:06
585
原创 第07讲 · 推理引擎与部署：从 compile 到板上首跑
本讲聚焦高通 QCS6490 犀牛派 A1 平台，完成从量化 INT8 QNN IR 到 HTP 真机首跑的闭环。通过 qnn-model-compiler 将模型编译为 HTP 可执行的 context binary，结合 qnn-net-run 实现端到端推理，首次验证模型在边缘 NPU 上的运行能力。重点解析 QNN runtime 三层架构与 CPU/GPU/HTP 后端差异，提供可复现的延迟/吞吐测试模板及性能对比脚本，实现“从备料到出声”的关键跨越，为量产落地奠定基础。
2026-09-29 09:57:59
582
原创 第06讲 · 量化与量化精度：INT8/FP16、校准与 roofline
本讲聚焦高通 NPU 边缘 AI 量化落地，系统解析 PTQ 与 QAT 选择逻辑，掌握 INT8/FP16/INT16 精度-速度-体积权衡。通过 qnn-quantizer 实现浮点 IR 到 INT8 量化，构建校准集并用 qnn-accuracy-debugger 验证精度，结合 Roofline 模型定位算力瓶颈。提供可复用脚本、决策树与避坑清单，实现从浮点模型到高效整数推理的“精准瘦身”。
2026-09-29 09:55:10
499
原创 第05讲 · 模型导入与转换：ONNX → QNN IR
本讲聚焦高通 NPU 边缘部署首步：使用 QNN SDK 将 PyTorch 模型经 ONNX 转换为 QNN IR（浮点中间表示）。通过 qnn-onnx-converter 实现从训练框架到 NPU 可识别格式的跨越，厘清转换在主机完成、非板端执行的工程逻辑。详解转换四阶段（解析、合法化、优化、序列化），揭示 QNN IR 作为“神经网络 LLVM IR”的核心价值——解耦模型描述与硬件执行。提供可复用命令模板、算子兼容自查方法及常见报错排错指南，为后续量化与编译奠定基础。
2026-09-28 09:34:55
1150
原创 第04讲 · 工具链全景：QNN SDK / AI Hub / Device Cloud
本讲在犀牛派A1开发板就绪基础上，完成高通边缘AI工具链全栈配置：安装匹配BSP版本的QNN SDK，配置环境变量，注册AI Hub与Device Cloud账号，建立“本地+云端”双工作流。梳理工具链全景图，明确各组件职责（如QNN SDK为核心编译推理链，AI Hub提供优化模型库，Device Cloud支持远程真机验证），并给出版本匹配原则与自检清单，为后续模型迁移与性能调优打下坚实基础。
2026-09-28 09:08:33
363
原创 第03讲 · 开发板环境搭建：犀牛派 A1 开箱、点亮与联调
从零到一完成开发板点亮联调，把一块犀牛派 A1 从「纸箱里的板子」变成「能进系统、能传文件、NPU 确认可用」的开发平台，并建立一份可复用的环境检查清单。
2026-09-27 00:49:26
489
原创 第02讲 · 高通边缘 NPU 芯片矩阵与选型：从 SoC 定位到选型方法
本文系统梳理高通边缘NPU SoC选型逻辑，厘清Dragonwing品牌演进与QCS/IQ双线定位。通过“算力/接口/生态”三问法，构建从场景到SoC的映射矩阵，揭示QCS通用平台与IQ工业视觉旗舰的本质差异。强调代际跃迁带来的隐性算力提升，警示“唯TOPS论”陷阱，并提供可落地的选型决策树与七项必查规格清单，助力工程师避开参数迷雾，精准匹配真实需求。
2026-09-26 12:15:59
582
原创 第01讲 · NPU 架构总览：为什么边缘侧需要专用 AI 加速器
本文系统解析边缘AI部署的三大核心挑战——功耗墙、延迟墙与带宽墙，揭示为何通用CPU/GPU难以胜任。通过对比高通Hexagon NPU在能效比（达CPU的10–50倍）、端到端延迟（10–40ms）与数据搬运效率上的优势，阐明异构计算架构中NPU作为“专用神经网络车间”的定位。深入剖析TOPS三种口径（Dense/Sparse、INT8/FP16）的差异，强调选型应以实际可达成的INT8稠密算力为准，并预览从模型到NPU执行的完整工具链，助力算法与嵌入式工程师建立清晰的边缘AI落地心智模型。
2026-09-26 12:01:02
536
原创 用犀牛派 X1 打造 AI 桌面陪伴机器人：从 ESP32S3 玩具到边缘 AI 实战
本文将低成本的ESP32S3桌面机器人改造为具备边缘智能的陪伴设备，基于犀牛派X1（QCS8550）平台，集成摄像头人检（YOLO26l NPU推理）、本地对话（Qwen量化模型）、大屏表情渲染与状态融合决策。通过阿加犀MMS模型农场快速部署预量化模型，实现PC状态与视觉感知双源融合，完成从“状态显示器”到“可看、可思、可言”的智能体跃迁。全文详述工具链搭建、联调验证及实战坑点，展现端侧AI落地完整路径。
2026-09-24 12:36:46
720
原创 具身智能机器人端侧部署全链路实战：从 VLA 量化到 200ms 实时闭环
本文聚焦具身智能端侧落地核心瓶颈——如何将7B级VLA模型部署于15W功耗机器人，实现200ms级实时闭环。通过“量化→NPU加速→ROS 2集成→实时保障”四阶段流水线，揭示带宽是解码瓶颈（算力翻倍无效），提出基于QNN的全链路优化方案，提供可复现的BOM、代码与验证方法论，实测延迟P50<180ms，功耗<25W，为工业级具身系统落地提供工程范式。[实测]
2026-09-24 11:03:08
398
原创 第六代骁龙8深度拆解：prefill +80% 背后的架构真相，与端侧 AI 的“算力骗局“
2026骁龙峰会发布两款2nm旗舰，虽以“全球最快CPU”“300亿参数本地跑”为噱头，但核心突破在prefill阶段提速80%，远超NPU算力仅增35%。关键在于：首token延迟（TTFT）由内存子系统与算子融合决定，非单纯算力。高通走MoE稀疏激活路线，苹果则用IFP+闪存换入换出，路径本质不同。更深层逻辑是——decode阶段算术强度仅2 FLOPs/byte，远低于NPU带宽瓶颈（600+ Ops/byte），堆TOPS无效，端侧AI竞赛已从“算力”转向“内存带宽”。
2026-09-23 15:09:12
637
原创 高通QNN部署避坑实录：SDK版本矩阵、HTP上下文、NPU串行锁——官方文档没说的9个坑
在部署高通NPU时，backend initialization failed常因QNN版本不匹配、量化模型缺失或context binary未生成导致。本文总结9大隐藏坑点：版本矩阵错配（坑1）、HTP仅支持量化模型（坑2）、后端库误用（坑3）、LD_LIBRARY_PATH遗漏（坑4）、校准列表缺失（坑5）、交叉编译参数错误（坑6）、输出节点配置错误（坑7）、SDK与转换版本不一致（坑8）、NPU串行限制致429错误（坑9）。核心提示：设备运行的是.ctx.bin，非ONNX或.so；所有环节需统一QN
2026-09-23 14:29:23
250
原创 基于QCS8550 从模型适配到上线验证：用fast-browser-use给机器人装一层“本地可算账的决策皮层”
本文提出基于APUS AI Lab的fast-browser-use范式，将开放式生成转为有限候选单Token选择，实现机器人任务层决策本地化。依托阿加犀犀牛派X1/QCS8550平台，全链路推理在端侧完成，避免云端依赖，降低延迟与成本。通过改造动作空间裁剪与本地量化模型（如llama.cpp/GGUF），构建安全、高效、可校准的System-1决策皮层，支持失败归因、恢复策略与人工接管，真正实现“不依赖任何云端API”的自主决策闭环。
2026-09-22 13:47:47
758
原创 高通 Follow Me 跑不起来？我把 12 个坑踩了一遍：RGB、Depth、Re-ID、PID 全链路排查
本文记录高通Follow Me人物跟随机器人部署中的典型问题与高效排障方法。针对“编译成功但找不到person_tracker_node”等常见困境，提出从数据流逐层排查的系统性思路：从Build、Camera、YOLO到Re-ID、PID等8个层级依次验证，避免盲目调参。重点指出main分支中CMake注释导致节点未编译的问题，并强调冻结版本、检查依赖（如qrb_ros_people_reid）的重要性。通过恢复CMake配置、清理构建缓存、确保依赖完整，最终实现稳定跟随。核心原则：前层无输出，绝不调后层
2026-09-22 12:30:44
305
原创 基于高通IQ-9075的跟随机器人实战：YOLOv8 + Re-ID + RGB-D + PID
本文基于Qualcomm Dragonwing IQ-9075 EVK平台，实现机器人“跟随我走”功能。通过ROS 2框架，整合YOLOv8目标检测、Re-ID身份追踪、深度相机测距与双PID控制，构建从视觉感知到运动控制的完整闭环。系统在Gazebo仿真环境中验证算法链路可行性，最终实现机器人稳定保持2米距离跟随指定人员，具备抗干扰与持续追踪能力，为边缘AI+机器人应用提供可复用的工程范式。
2026-09-21 11:42:05
715
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