<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[专注最新最热的AI知识学习，以实战方式总结心得。]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/kingdom_java</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; kingdom_java]]></copyright><item><title><![CDATA[2026年4月-10月github热门项目汇总分析记录]]></title><link>https://blog.csdn.net/kingdom_java/article/details/167269265</link><guid>https://blog.csdn.net/kingdom_java/article/details/167269265</guid><author>kingdom_java</author><pubDate>Thu, 08 Oct 2026 11:18:26 +0800</pubDate><description><![CDATA[注：VoltAgent/awesome-agent-skills 因近期数据源有限，暂未获取到精确的最新值。（今天），累计推送了数百个开源项目与模型。排序，标注了从旧数据到最新的变化。]]></description><category></category></item><item><title><![CDATA[VLA 不是机器人终极路线？——关于端到端、数据瓶颈与物理推理的深度分析]]></title><link>https://blog.csdn.net/kingdom_java/article/details/165599794</link><guid>https://blog.csdn.net/kingdom_java/article/details/165599794</guid><author>kingdom_java</author><pubDate>Wed, 16 Sep 2026 11:30:56 +0800</pubDate><description><![CDATA[世界/物理预测 + 分层执行 + 少量高质量机器人数据 + 仿真 RL端到端 VLA 在小数据、OOD 物理扰动下的本质问题是——它把机器人任务当成模式匹配问题，而不是物理推理问题。通过固定小数据的 OOD 对比实验和反事实动作测试，可以清晰暴露这一缺陷。而分层架构和世界模型方案，因显式建模了物理因果链或提供了结构化中间层，在相同条件下表现出更强的鲁棒性。学术综述（尤其是工业拆解/装配领域）也佐证了这一点：在几何不确定和长程任务中，分层/混合架构是更成熟的落地选择。]]></description><category></category></item><item><title><![CDATA[PalantirFDE核心价值总结]]></title><link>https://blog.csdn.net/kingdom_java/article/details/165338689</link><guid>https://blog.csdn.net/kingdom_java/article/details/165338689</guid><author>kingdom_java</author><pubDate>Mon, 14 Sep 2026 17:39:30 +0800</pubDate><description><![CDATA[这也是为什么我越来越觉得，未来真正优秀的FDE，核心能力不会只是工程能力，还得有业务理解、产品判断、价值判断，甚至还得有一点挑战客户的勇气。就是一个企业真正比别人厉害的那部分，可能是数据，可能是经验，可能是供应链，可能是一套别人看不见的判断方式，可能只是几个老员工脑子里几十年沉淀下来的认知。所以企业上AI，你在获得模型能力的同时，执行越“便宜”。FDE到场之后，第一件事甚至可能不是动手开发，而是区分清楚：什么事情可以交给AI执行，什么东西我绝对不能放手，把企业独有的判断，变成AI可以执行的系统。]]></description><category></category></item><item><title><![CDATA[机器人本体：FK/IK]]></title><link>https://blog.csdn.net/kingdom_java/article/details/164253184</link><guid>https://blog.csdn.net/kingdom_java/article/details/164253184</guid><author>kingdom_java</author><pubDate>Tue, 01 Sep 2026 09:59:40 +0800</pubDate><description><![CDATA[前半句完全正确，后半句有一个关键的术语需要纠正——这直接影响你后面写代码时调什么 API。一、前半句：完全对 ✅“手眼标定最终的目的，是把相机坐标转换成基座坐标”对。手眼标定求出 T_flange_cam，每帧结合 FK 算出 T_base_cam。这样你就能把视觉算法在相机系下检测到的任何东西（物体位姿、抓取点），转换到基座系下：现在机器人"知道"物体在基座坐标系里的精确位置了。二、后半句：术语纠正 ⚠️“然后基于基坐标去正向控制手臂环节怎么到达指定位置”]]></description><category></category></item><item><title><![CDATA[机器人导航：代价地图Costmap]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163976382</link><guid>https://blog.csdn.net/kingdom_java/article/details/163976382</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 16:32:34 +0800</pubDate><description><![CDATA[机器人实际跑起来时，有两张"代价地图"（全局+局部）在同时工作，它们共享同一份栅格底图，但局部代价地图额外叠加了实时传感器数据。除此之外，还有独立的点云地图（给机械臂用）和语义地图（给任务规划用）。它们都在同一个map坐标系下对齐，但服务于不同的模块。]]></description><category></category></item><item><title><![CDATA[机器人坐标系：再栅格图和点云图，在机器人行走的过程中，其实并不影响实时的感知避障，只是做全局路径规划用？]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163976257</link><guid>https://blog.csdn.net/kingdom_java/article/details/163976257</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 16:27:30 +0800</pubDate><description><![CDATA[栅格图和点云图不只是"建图时用的静态数据"——它们在机器人行走过程中持续参与实时避障。栅格图提供"不能穿墙"的安全底线，点云图（来自 3D 传感器）补充激光雷达的盲区。真正"不影响实时避障"的只有语义地图（货架 ID、商品位置这些高层信息），那是给任务规划用的，不是给避障用的。你之前的理解把"地图"和"实时传感器"完全割裂了，实际上它们是融合在一起变成代价地图，同时服务于全局规划和局部避障的。全局地图 = 栅格层（哪里能走）+ 点云层（精确 3D 几何）+ 语义层（这是什么、怎么用）。]]></description><category></category></item><item><title><![CDATA[机器人坐标系：那map到底是地图还是坐标系？]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163976229</link><guid>https://blog.csdn.net/kingdom_java/article/details/163976229</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 16:25:27 +0800</pubDate><description><![CDATA[map 坐标系是"数学上的全局原点"，map 地图是"贴在这个原点上的环境模型"。它们不是同一个东西，但地图必须绑定在坐标系上才有意义，所以 ROS 用同一个名字。你之前问的"map 到底是地图还是坐标系"——都是，只是看你在哪个层面讨论它。在 TF 树里它是坐标系，在 SLAM 建图里它是地图，在 Nav2 配置里它通常指定坐标系名字。]]></description><category></category></item><item><title><![CDATA[机器人坐标系中：odom主要是做代价地图用？]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163976191</link><guid>https://blog.csdn.net/kingdom_java/article/details/163976191</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 16:23:38 +0800</pubDate><description><![CDATA[odom 不是"主要做代价地图用"的——它是机器人整个系统的"实时运动基准"。代价地图只是它的一个消费者。odom 的核心作用是：给底盘控制、EKF 融合、局部规划提供高频、低延迟、短期精确的位姿反馈。map 负责"全局不漂"，odom 负责"实时不跳"。]]></description><category></category></item><item><title><![CDATA[机器人坐标系：各坐标系分别是谁在用，会影响谁？]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163976127</link><guid>https://blog.csdn.net/kingdom_java/article/details/163976127</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 16:22:23 +0800</pubDate><description><![CDATA[- base_link 是机器人本体的根 --> < link name = " base_link " /> <!-- 激光雷达相对于 base_link 的位置 --> < joint name = " laser_joint " type = " fixed " > < parent link = " base_link " /> < child link = " laser_link " /> <!]]></description><category></category></item><item><title><![CDATA[快速理解机器人各个坐标系的关系]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163975418</link><guid>https://blog.csdn.net/kingdom_java/article/details/163975418</guid><author>kingdom_java</author><pubDate>Sat, 22 Aug 2026 15:45:57 +0800</pubDate><description><![CDATA[通常是在 shelf 坐标系（货架坐标系）下定义的# 货架坐标系：X = 沿货架宽度从左到右，Y = 从前到后，Z = 向上# 前排槽位 3 的坐标：slot_3 = {"x": 0.36, # 从货架左边缘向右 36cm"y": 0.05, # 前排深度位置"z": 0.30 # 第一层高度# TF 变换链# 然后 MoveIt2 用 arm_base 坐标系下的目标位姿做运动规划XYZ 方向不是相对于"被操作物体"固定的，而是相对于"坐标系附着的对象"固定的。map 坐标系。]]></description><category></category></item><item><title><![CDATA[开源office技术栈与组件对比分析]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163858880</link><guid>https://blog.csdn.net/kingdom_java/article/details/163858880</guid><author>kingdom_java</author><pubDate>Tue, 18 Aug 2026 16:34:27 +0800</pubDate><description><![CDATA[三者都是开源办公方向，但架构完全不同：一个是「现代 Electron + 自研 OOXML + 拼装开源库」，一个是「传统桌面巨型 C++ 套件」，一个是「Web 协同文档服务」。]]></description><category></category></item><item><title><![CDATA[OSD和视频流接口随机出现net::ERR_CONNECTION_RESET问题分析总结]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163778330</link><guid>https://blog.csdn.net/kingdom_java/article/details/163778330</guid><author>kingdom_java</author><pubDate>Sat, 15 Aug 2026 13:26:59 +0800</pubDate><description><![CDATA[导致约一半连接被错误网关重置。先去掉 Higress 对宿主机 443 的占用，或把。这不是 32218 前端坏了，也不是前端写死 1235（这个监控页走的是。（11081 上 OSD/FLV 之前测过可。配置冲突也要清理，以免以后再抢端口。，不是 32218 反代本身。——与「不规律出现」完全一致。内核把新连接随机分给两者 →。：RESET 来自它连接的。改到仅 Cilium 的。32218 只负责前端壳；]]></description><category></category></item><item><title><![CDATA[主流VLA技术实现路线与动作序列关系（总结篇）]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163540927</link><guid>https://blog.csdn.net/kingdom_java/article/details/163540927</guid><author>kingdom_java</author><pubDate>Thu, 06 Aug 2026 17:58:09 +0800</pubDate><description><![CDATA[│ 1. 控制频率（机器人硬件决定） ││ 2. 轨迹时长（由起止关节距离÷最大速度） ││ 3. Action Chunk 大小（VLA 模型超参） ││ 4. 平滑性约束（五次多项式插值的边界条件） ││ 5. 重规划周期（开环执行多少步后重新推理） │。]]></description><category></category></item><item><title><![CDATA[位姿估计到动作序列执行中间经过哪些步骤？]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163535458</link><guid>https://blog.csdn.net/kingdom_java/article/details/163535458</guid><author>kingdom_java</author><pubDate>Thu, 06 Aug 2026 14:17:57 +0800</pubDate><description><![CDATA[6 维目标位姿 → 7 维关节动作序列 = 逆运动学 (IK) 求关节角目标 + 轨迹规划插值出时间序列。IK解决"关节角该是多少"——由于 7DOF 冗余，需要优化准则挑选最优解轨迹规划解决"如何从当前关节角平滑过渡到目标关节角"——多项式插值最常用第 7 维夹爪根据任务阶段单独控制开合在 VLA 系统里，这条流水线可以：① 完全内化到 VLA 网络中（端到端输出关节序列），② 完全在 VLA 外部执行（VLA 只输出 6 维位姿），或 ③ 混合模式（VLA 输出相对关节动作，外部做轻量 IK）]]></description><category></category></item><item><title><![CDATA[具身模型消融实验总结分析]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163507141</link><guid>https://blog.csdn.net/kingdom_java/article/details/163507141</guid><author>kingdom_java</author><pubDate>Wed, 05 Aug 2026 15:43:51 +0800</pubDate><description><![CDATA[需要先说清楚一件事：这些消融都是做的，结论有适用范围，不能当成跨场景的铁律——这也是为什么不同论文在某些点上会"打架"。]]></description><category></category></item><item><title><![CDATA[具身智能主流算法解析（对比图在最后）]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163362626</link><guid>https://blog.csdn.net/kingdom_java/article/details/163362626</guid><author>kingdom_java</author><pubDate>Fri, 31 Jul 2026 11:59:54 +0800</pubDate><description><![CDATA[如果你们后续要做实时性更强的应用（比如高速装配、动态避障），Flow Matching是DP的自然升级路径，数学形式和扩散最接近，迁移成本最低。ACT在桌面操作、精细操作上验证很多，如果你们未来想降低推理延迟，ACT是一个现实的备选。：只有当你们发现DP的推理延迟真的成了瓶颈（比如要在Jetson上跑实时控制），并且任务复杂度不需要强多峰建模时，ACT才值得认真评估。把视觉、语言、动作统一到一个大模型里，预训练阶段用互联网规模的视觉-语言数据，下游用少量示教微调，得到能理解自然语言指令的操作策略。]]></description><category></category></item><item><title><![CDATA[通俗易懂：以开车场景来理解训练网络框架]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163361090</link><guid>https://blog.csdn.net/kingdom_java/article/details/163361090</guid><author>kingdom_java</author><pubDate>Fri, 31 Jul 2026 11:55:13 +0800</pubDate><description><![CDATA[你写这些模型的时候，本质上就是在写一个。]]></description><category></category></item><item><title><![CDATA[“4090显卡隔一断时间就驱动不可用”问题定位分析和解决办法]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163332926</link><guid>https://blog.csdn.net/kingdom_java/article/details/163332926</guid><author>kingdom_java</author><pubDate>Thu, 30 Jul 2026 13:06:04 +0800</pubDate><description><![CDATA[你的 4090 掉驱动不是玄学，是 Ubuntu 的自动更新机制 + NVIDIA 闭源驱动的电源管理在 4090 这种高功耗卡上的经典冲突。你现在已经用四层防御（GRUB 禁电源管理 + Persistence Mode 常驻驱动 + apt-mark 锁版本 + systemd 屏蔽睡眠）把所有可能的失效路径全部堵死。VLLM 可以 7×24 稳定运行，不用再惦记驱动的事了。]]></description><category></category></item><item><title><![CDATA[机器人3D可视化方案]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163294725</link><guid>https://blog.csdn.net/kingdom_java/article/details/163294725</guid><author>kingdom_java</author><pubDate>Wed, 29 Jul 2026 10:14:06 +0800</pubDate><description><![CDATA[ROS/ROS2 生态里 Web 端 3D 可视化已经有一批开源项目可以参考，从"零开发直接用"到"源码级参考自己写"都有，分三层推荐。]]></description><category></category></item><item><title><![CDATA[Langfuse的4种监控构建方式（从非侵入到侵入）]]></title><link>https://blog.csdn.net/kingdom_java/article/details/163266965</link><guid>https://blog.csdn.net/kingdom_java/article/details/163266965</guid><author>kingdom_java</author><pubDate>Tue, 28 Jul 2026 11:05:42 +0800</pubDate><description><![CDATA[它提供了一条从"完全侵入"到"完全非侵入"的光谱，你可以按自己的场景挑。——数据总得有人在某个环节采集。]]></description><category></category></item></channel></rss>