<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_60827485的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/m0_60827485</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; m0_60827485]]></copyright><item><title><![CDATA[SmolVLA PyTorch `official-like` 精度排查过程与结论]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164373848</link><guid>https://blog.csdn.net/m0_60827485/article/details/164373848</guid><author>m0_60827485</author><pubDate>Fri, 04 Sep 2026 18:18:48 +0800</pubDate><description><![CDATA[<think>好的，用户提供了一份详细的技术排查报告，记录了SmolVLA模型从PyTorch迁移到ONNX/TensorRT过程中的精度问题分析和解决过程。最后需要根据内容生成≤150字的摘要。 报告的核心脉络是：全FP32导出数值等价但原生精度路径不匹配→排查定位出关键在BF16与FP32的精度差异→分阶段实验锁定问题模块→最终找到与官方一致的mixed precision策略。 摘要需要高度凝练，抓住几个关键节点：全FP32导致53/54失败、ONNX转换本身没问题、恢复Prefix为BF16后KV完]]></description><category></category></item><item><title><![CDATA[SmolVLA / LeRobot 部署闭环验证]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164300955</link><guid>https://blog.csdn.net/m0_60827485/article/details/164300955</guid><author>m0_60827485</author><pubDate>Wed, 02 Sep 2026 17:08:50 +0800</pubDate><description><![CDATA[<think>我们只需要根据内容生成摘要，不超过150字。内容是一篇技术教程的章节目录和阅读顺序，关于机器人学习、SmolVLA、ALOHA仿真等。摘要应该概括主题和结构。</think>本文档规划了一套完整的机器人学习系统实施路线，涵盖从总体架构、环境配置、数据集采集、SmolVLA训练，到ALOHA仿真闭环、ROS 2接入、Jetson部署、安全控制、Sim2Real迁移及真机验收等十二个章节，并提供了推荐的顺序阅读路径，旨在指导用户逐步构建并部署基于模仿学习的机器人操控系统。]]></description><category></category></item><item><title><![CDATA[总体目标与系统架构]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164301127</link><guid>https://blog.csdn.net/m0_60827485/article/details/164301127</guid><author>m0_60827485</author><pubDate>Wed, 02 Sep 2026 17:04:47 +0800</pubDate><description><![CDATA[<think>我们根据要求生成≤150字的文章摘要。内容主要关于SmolVLA和LeRobot在机器人操作中的架构，以及验证阶段。需要简洁概括。</think>SmolVLA是面向机器人操作的轻量级VLA模型，通过动作分块预测降低推理频率；LeRobot负责数据、训练与评测的统一框架。推荐架构区分开发仿真与真机部署，强调VLA输出必须经独立安全层。验证分P0至P6七个阶段，从离线测试逐步过渡到真机闭环，确保安全可靠。]]></description><category></category></item><item><title><![CDATA[LeRobot-ONNX 转换补充]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164123754</link><guid>https://blog.csdn.net/m0_60827485/article/details/164123754</guid><author>m0_60827485</author><pubDate>Thu, 27 Aug 2026 18:47:24 +0800</pubDate><description><![CDATA[本文档用于补充 LeRobot ACT 模型从 PyTorch 导出为 ONNX，并进一步用于 TensorRT FP16 部署时涉及的核心依赖、转换链路、验证方法和常见问题。是较新的 ONNX Python IR（Intermediate Representation，中间表示）库。如果 ONNX Runtime 与 PyTorch 差异已经很大，则不能直接进入 TensorRT 调试。需要结合当前 LeRobot、PyTorch、onnxscript 和 TensorRT 版本决定。]]></description><category></category></item><item><title><![CDATA[SAMLabeler-MNN 项目使用与编译问题解决]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164063460</link><guid>https://blog.csdn.net/m0_60827485/article/details/164063460</guid><author>m0_60827485</author><pubDate>Tue, 25 Aug 2026 19:10:41 +0800</pubDate><description><![CDATA[语义分割及实例分割自动化标注实用工具，模型轻量只有几十MB，模型进行INT8定点量化]]></description><category></category></item><item><title><![CDATA[MobileSAM `vit_t` 转 MNN：模型转换与完整验证]]></title><link>https://blog.csdn.net/m0_60827485/article/details/164051024</link><guid>https://blog.csdn.net/m0_60827485/article/details/164051024</guid><author>m0_60827485</author><pubDate>Tue, 25 Aug 2026 11:36:39 +0800</pubDate><description><![CDATA[MobileSAMvit_t已成功拆分为 image encoder 和 prompt/mask decoder。两个子模型均已成功导出为 ONNX opset 13。两个 ONNX 模型均通过 ONNX checker 和 ONNX Runtime CPU 前向验证。两个 ONNX 模型均通过 MNN 3.3.1 转换并完成 MNN C++ CPU 推理。图像 embedding、mask logits 和 IoU 质量分数完成 PyTorch、ONNX Runtime、]]></description><category></category></item><item><title><![CDATA[视频硬件编解码及软编解码技术]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163890795</link><guid>https://blog.csdn.net/m0_60827485/article/details/163890795</guid><author>m0_60827485</author><pubDate>Wed, 19 Aug 2026 16:43:51 +0800</pubDate><description><![CDATA[本文对比分析了视频处理链路中的软件编解码与硬件编解码技术，重点解析了FFmpeg与NVIDIA DeepStream在视频处理中的角色差异。软件编解码由CPU执行，通用性强但资源消耗高；硬件编解码通过专用单元（如NVDEC/NVENC）实现高效处理。FFmpeg作为通用框架支持软硬编解码，而DeepStream是NVIDIA专为GPU视频分析设计的流媒体框架，天然整合硬件加速与TensorRT推理。文章还探讨了多路摄像头AI推理的高效架构设计，强调保持GPU内存零拷贝链路的重要性，为视频处理系统选型提供了技]]></description><category></category></item><item><title><![CDATA[多传感器外参补偿框架]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163748112</link><guid>https://blog.csdn.net/m0_60827485/article/details/163748112</guid><author>m0_60827485</author><pubDate>Fri, 14 Aug 2026 11:38:00 +0800</pubDate><description><![CDATA[适用于 ROS2 下 Camera / LiDAR / IMU 等多传感器联合标定、投影验证与长期运行维护。]]></description><category></category></item><item><title><![CDATA[vscode调试技巧]]></title><link>https://blog.csdn.net/m0_60827485/article/details/140967779</link><guid>https://blog.csdn.net/m0_60827485/article/details/140967779</guid><author>m0_60827485</author><pubDate>Fri, 14 Aug 2026 11:00:20 +0800</pubDate><description><![CDATA[Python查看第三方库代码的两种方法：1) 在工程根目录创建目录并进入，使用pip show 包名查看安装位置；2) 通过Git下载包含子模块的仓库时，使用git submodule update --init --recursive命令递归初始化所有子模块。两种方法分别适用于查看已安装库的源代码和获取包含子模块的完整项目代码。]]></description><category></category></item><item><title><![CDATA[鱼眼相机模型]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163293671</link><guid>https://blog.csdn.net/m0_60827485/article/details/163293671</guid><author>m0_60827485</author><pubDate>Wed, 29 Jul 2026 10:09:50 +0800</pubDate><description><![CDATA[本文介绍了鱼眼相机投影模型及其在OpenCV中的实现。主要内容包括：1) 鱼眼相机通过特殊镜头实现超大视场角(可达180°以上)，采用角度多项式映射替代传统针孔模型；2) 详细解析OpenCV的Kannala-Brandt鱼眼模型，包括归一化坐标转换、角度多项式畸变和像素映射；3) 对比不同鱼眼投影类型的特点；4) 说明逆投影过程及标定参数；5) 提供标定流程建议和OpenCV接口示例。文章强调鱼眼标定需覆盖完整视场，并讨论了去畸变视场控制方法。]]></description><category></category></item><item><title><![CDATA[针孔相机模型]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163280762</link><guid>https://blog.csdn.net/m0_60827485/article/details/163280762</guid><author>m0_60827485</author><pubDate>Tue, 28 Jul 2026 19:31:37 +0800</pubDate><description><![CDATA[本文系统介绍了计算机视觉中的针孔相机模型。该模型通过光心和虚拟成像平面描述三维点到二维图像的投影过程，涉及世界坐标系、相机坐标系、归一化成像平面和像素坐标系四个坐标系。文章详细阐述了外参变换（刚体变换）、透视投影关系、内参矩阵以及完整的成像方程，并给出投影计算流程和OpenCV实现。同时讨论了模型的局限性（如忽略畸变）以及工程应用中的检查要点。针孔模型作为视觉任务的基础，其核心公式 $p \sim K[R\mid t]P_w$ 广泛应用于相机标定、三维重建、SLAM等领域。]]></description><category></category></item><item><title><![CDATA[Fast-BEV 纯视觉 BEV 重新训练与标注工具推荐]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163262344</link><guid>https://blog.csdn.net/m0_60827485/article/details/163262344</guid><author>m0_60827485</author><pubDate>Tue, 28 Jul 2026 09:50:08 +0800</pubDate><description><![CDATA[本文提出了一种面向Fast-BEV模型训练与部署的纯视觉方案，重点解决了在缺乏多线激光雷达情况下的三维标注难题。推荐的标注流程采用CVAT进行2D预标注，再通过3D-BAT工具完成三维框修正，最终转换为nuScenes兼容格式。文章对比了多种标注工具的适用场景，特别强调了在没有多线LiDAR时，可利用多视图几何、单目深度估计和单束线雷达测距辅助三维标注。方案建议在采集阶段临时使用多线LiDAR生成高质量真值，训练完成后仅保留相机和单束雷达部署，实现纯视觉BEV检测。文中还详细阐述了标注类别设计、三维字段规范]]></description><category></category></item><item><title><![CDATA[Fast-BEV 自定义数据标定与 nuScenes 格式转换方案]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163248199</link><guid>https://blog.csdn.net/m0_60827485/article/details/163248199</guid><author>m0_60827485</author><pubDate>Mon, 27 Jul 2026 19:16:55 +0800</pubDate><description><![CDATA[摘要： 本文针对Fast-BEV模型在单目前视相机推理场景下的数据适配需求，提出了一套无需完整nuScenes数据库的轻量化标定与数据生成方案。核心内容包括：1）通过OpenCV ChArUco标定相机内参并进行图像去畸变；2）使用OpenCalib等工具获取相机-车体外参；3）构建包含四帧时序图像、位姿信息及标定参数的虚拟LiDAR坐标系数据。方案强调关键参数（内参矩阵、外参变换、时序位姿）的规范处理，提供标定工具选型建议、目录结构模板及JSON配置示例，并通过配套脚本生成Fast-BEV可直接读取的最小]]></description><category></category></item><item><title><![CDATA[Fast-BEV 前向单目运行方案]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163241418</link><guid>https://blog.csdn.net/m0_60827485/article/details/163241418</guid><author>m0_60827485</author><pubDate>Mon, 27 Jul 2026 13:52:28 +0800</pubDate><description><![CDATA[摘要 本文提出一种无需重新训练即可将Fast-BEV模型从六相机环视系统适配到单目前视系统的方案。关键点包括： 保持四帧时序输入不变（CAM_FRONT连续4帧），避免3D Neck等网络层的权重尺寸不匹配问题； 仅修改数据加载和推理逻辑：将输入从6相机×4帧改为1相机×4帧，保持总特征通道数不变； 不修改模型结构（Backbone、FPN、3D Neck等）和预训练权重； 通过调整MultiViewPipeline实现单相机图像筛选，确保输入张量维度兼容； 输出时过滤非前视区域的检测结果。 该方案保证了模]]></description><category></category></item><item><title><![CDATA[AI Agent 实战经验：从“会聊天”到“可控项目落地”]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163169683</link><guid>https://blog.csdn.net/m0_60827485/article/details/163169683</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 18:26:44 +0800</pubDate><description><![CDATA[本文总结了当前项目中已验证的工程实践，重点围绕业务Agent的设计与实现。核心经验包括：采用确定性边界+模型语义能力+受控工具执行+结构化恢复的架构，确保LLM仅负责语言理解，程序处理边界与状态迁移；强调安全防护必须前置，工具权限需在执行点二次校验；利用LangChain作为适配层但保持领域边界；组合规则与模型实现业务路由；通过可信状态管理多轮对话；对写操作采用预览-确认-提交流程；结构化设计失败响应；将模型输出视为不可信数据；聚焦业务不变量的测试策略。此外，文章还列举了项目曾遇到的问题及规避方案，并提供了]]></description><category></category></item><item><title><![CDATA[C/C++ 中 `typedef` 关键字详解]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163167536</link><guid>https://blog.csdn.net/m0_60827485/article/details/163167536</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 17:23:55 +0800</pubDate><description><![CDATA[本文总结了C++中typedef的用法与注意事项，主要涵盖：1)基本作用是为已有类型定义别名；2)语法规则与变量声明的关系；3)指针类型别名的使用与陷阱；4)const修饰指针别名的特殊行为；5)结构体定义中的典型用法；6)函数指针和数组类型的简化表示；7)现代C++中using替代方案的优势；8)模板别名和类内部类型别名的实现方式；9)STL容器中的标准类型别名；10)类型别名不创建新类型的本质特性。文章通过代码示例对比了传统typedef与现代using的差异，并指出类型别名在提升代码可读性的同时，需要]]></description><category></category></item><item><title><![CDATA[C/C++ 中宏定义的相关知识]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163167429</link><guid>https://blog.csdn.net/m0_60827485/article/details/163167429</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 17:21:09 +0800</pubDate><description><![CDATA[本文系统介绍了C/C++宏的使用方法和注意事项。主要内容包括：宏的基本概念和预处理指令；对象宏和函数宏的定义与使用技巧；宏的字符串化和拼接操作；可变参数宏和条件编译；预定义宏和断言机制；宏的作用域问题；以及与模板、内联函数的对比。文章强调现代C++更推荐使用constexpr、模板等特性替代宏，但也指出了宏在条件编译、平台兼容等场景的合理用途。最后提出了宏设计的9条规范，建议优先使用语言特性，谨慎使用宏。]]></description><category></category></item><item><title><![CDATA[`unordered_map` 详解]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163167176</link><guid>https://blog.csdn.net/m0_60827485/article/details/163167176</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 17:16:09 +0800</pubDate><description><![CDATA[std::unordered_map 是 C++ 中的哈希表实现，用于存储键值对。文章介绍了其基本概念、常用操作和注意事项：1. 支持快速 O(1) 平均复杂度的查找、插入和删除；2. 提供了多种插入方法（insert/emplace/try_emplace等）和查询方式（operator[]/at/find）；3. 需要关注哈希冲突、装载因子和扩容机制；4. 自定义键类型需实现哈希函数和相等比较；5. 与 std::map 相比，unordered_map 不保证元素顺序但通常性能更好。文中还给出了典型用]]></description><category></category></item><item><title><![CDATA[`set` 与 `unordered_set`]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163166995</link><guid>https://blog.csdn.net/m0_60827485/article/details/163166995</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 17:11:44 +0800</pubDate><description><![CDATA[std::set和std::unordered_set是C++中两种重要的集合容器。set基于红黑树实现，保持元素有序，查找复杂度O(log n)；unordered_set基于哈希表，无序存储，平均查找复杂度O(1)。两者在数据结构、性能特性、使用场景等方面存在显著差异：set适合需要有序性和范围查询的场景，而unordered_set在纯查找场景效率更高。自定义类型使用时，set需要比较运算符，unordered_set需要哈希函数和相等比较。文章详细对比了两者的操作复杂度、迭代器稳定性、内存开销等核心]]></description><category></category></item><item><title><![CDATA[`queue` 队列与 `deque` 双端队列]]></title><link>https://blog.csdn.net/m0_60827485/article/details/163166605</link><guid>https://blog.csdn.net/m0_60827485/article/details/163166605</guid><author>m0_60827485</author><pubDate>Fri, 24 Jul 2026 17:01:21 +0800</pubDate><description><![CDATA[std::queue 和 std::deque 的主要区别在于功能和用途： 类型差异：queue 是容器适配器（FIFO），deque 是双端序列容器 接口差异：queue 仅开放队列操作（push/pop/front/back），deque 支持双端操作和随机访问 使用场景： queue 适合严格先进先出的场景（如任务队列） deque 适合需要双端操作或随机访问的场景（如滑动窗口） 性能特点：两者主要操作都是O(1)复杂度，但deque支持更多操作 内存布局：deque由多段缓冲区组成，不保证完全连续存]]></description><category></category></item></channel></rss>