AMOVLAB(阿木实验室)

原创 开源自主无人机软件平台—Prometheus

Prometheus，在希腊神话中，是最具智慧的神明之一，希望Prometheus项目能为无人机研发工作带来无限的智慧与光明。同时电影普罗米修斯里面的无人机在黑洞中自由穿越，也是我们在技术层面所追求的一样。您是否在无人机的开发和科研工作中遇到如下问题：- 如何在无人机平台上编写并测试感知/规划/控制等算法的代码？- 如何在电脑中进行无人机室内/室外的可视化仿真测试或实验飞行？- 如何利用无人机平台完成论文中仿真与实验部分？- 如何利用无人机平台完成开发项目中的实物验证工作？- ...

原创 无人机入门知识汇总

需掌握以下基础知识：地面站软件的使用（QGC/PM） 遥控器控制无人机、无人车的基本飞行与行驶 ROS、Ubuntu、Git等工具的使用 C++/Python等语言基础 PX4/APM固件刷机、设置参数等简单操作建议学习流程：一、资料了解无人机入门知识了解网址：https://zhuanlan.zhihu.com/p/40196798https://zhuanlan.zhihu.com/p/22571121无人机/无人车方向小白的进阶之路：https://bbs.amovl

原创 Codex帮你自动配置WSL版SpireCV-Pro：面向智能无人系统的边缘实时感知平台

SpireCV-Pro 是一个专为智能无人系统、移动机器人和边缘 AI 设备打造的实时感知开发平台。它不是单纯把算法模型封装成 SDK，而是把相机、视频流、激光雷达、目标检测、分割、跟踪、吊舱控制、结果可视化、视频保存、推流、ROS2 转发、评估与数据迭代等能力，拆解成可以多平台（工作站、NX、瑞芯微、昇腾）自由组合的节点，让开发者像搭积木一样构建自己的感知工作流。。

原创 两天实训，跑通P600无人机开发

本次培训围绕 P600无人机平台展开，课程内容覆盖无人机基础知识、MAVROS 控制接口、Prometheus 软件框架、理论仿真以及多项实飞演示，帮助学员从系统原理到实际操作，更完整地理解无人机开发流程。从基础飞行到自主任务，从航线执行到环境感知，再到二维码引导降落，培训现场将理论内容和实际飞行效果对应起来，让学员更直观地理解代码、算法与飞行结果之间的关系。阿木实验室也希望通过这样的线下培训，帮助更多用户真正用好 P600平台，把无人机科研、教学、竞赛和项目开发更顺利地推进下去。

原创 用AI快速开发无人机Web地面站，一套可参考的集成指南

结合FlyCore的硬件架构来看，RK3588具备本地计算能力，LQ-10可以提供飞控数据链路，MAVLink 提供标准化通信协议，再加上浏览器作为交互入口，就可以形成一套开发效率较高、调试路径清晰、后续扩展也比较方便的方案。过去要做一套无人机地面站，往往需要把前端界面、后端服务、通信协议、部署调试一项项打通：界面要设计，飞控数据要解析，指令链路要验证，最后还要部署到机载计算机或地面端设备上反复测试，传统的研发周期较长需要1年以上时间。需要说明的是，这里的AI并不是直接控制飞控，也不是直接操作无人机飞行。

原创 从科研平台到巡检现场，双品牌精彩亮相2026深圳无人机展

铂升机器人与阿木实验室展台吸引了众多观众驻足交流，围绕BO1巡检方案、FlyCore融控系统、SU17/P600/P450科研无人机、机载计算平台、图数传链路等产品与应用展开深入探讨，集中呈现了从“科研平台”到“巡检现场”的双品牌产品矩阵与技术实力。作为专业的智能无人机OEM供应商，铂升机器人聚焦行业级智能无人机产品与应用落地，重点展示了FlyCore无人机融控系统与 BO1 无人机室内自主巡检方案，面向OEM客户、整机厂商及行业应用客户，提供从核心系统到场景方案的产品能力。

原创 无人机研发，正在被AI重写

它的快速增长背后，释放出一个非常明确的信号：AI在编程领域的价值，已经不再是“辅助写几行代码”，而是正在带来生产力的结构性变化。设计师只需要输入UI设计需求，例如：“无人机地面控制端，需包含飞行参数显示、航线规划、图像实时传输、故障报警四大模块，风格简洁专业，适配电脑端与平板端。我们会将客户的无人机或机器人需求直接输入AI大模型，例如工业巡检无人机的续航要求、负载能力、飞行精度，或服务机器人的运动控制、环境感知等需求。此外，AI还可以参与代码审查，检查性能问题、安全漏洞和代码规范问题，提前降低上线风险。

原创 FlyCore融控系统正式发布，让智能无人机加速落地

原创 WSL系统下免费使用SpireCV-Pro教程

本教程将带你从零开始，在 Windows 的 WSL2 环境中搭建 SpireCV-Pro 智能感知平台，并运行一个 YOLO11 目标检测可视化示例。

原创 SpireMS中Python主要类与函数参数详解

这篇文档的目标是把 Python 里最常用、最值得查参数的类与函数统一梳理清楚。适合人群：本文重点覆盖：说明：最常见导出如下：如果只记一个原则：几乎所有通信类都有：含义：默认值适合本机默认启动的 。话题 URL、服务 URL 通常要求：例如：参数节点名通常要求： 会返回一个该消息类型的默认字典模板。例如：推荐习惯：构造函数：参数说明：最常用方法：方法说明： 该怎么选：最小示例：3.2 构造函数：参数说明：最常用方法：方法说明：回调参数说明：这里的 就是解码后的消息字典，不再包一层外壳。

原创 SpireMS中C++主要类与函数参数详解

这篇文档把 SpireMS C++ SDK 里最常用、最值得查参数的类和函数统一梳理清楚。适合场景：本文重点覆盖：说明：最常用写法：这个头文件会统一包含：如果你只是写业务代码，通常只要包含这一行即可。绝大多数通信类都带：含义：默认值适合本机直接运行的 。话题 URL、服务 URL：例如：参数节点名：几个容易混淆的点：建议：构造函数：参数说明：最常用方法：方法说明： 选择建议：最小示例：3.2 构造函数：参数说明：最常用方法：回调说明：最小示例：4. 请求与响应4.1 构造函数：参数说

原创 SpireMS如何使用参数服务器

定义一个参数节点DetNode设置节点参数设置全局参数读取节点参数和全局参数# 1. 设置节点参数})# 2. 设置全局参数# 这里会写成 /_global/dataset# 3. 读取参数# 4. 查看当前节点视角下已经同步到本地的参数# 保持节点在线，方便你从其他终端继续修改和观察回调lrbatch_size这样的节点参数/dataset这样的全局参数当其他参数节点改动这些参数时，会收到回调int main()// 1. 设置节点参数});

原创 SpireMS如何请求响应服务

Service= 收请求 + 返回响应Client= 发请求 + 等响应文本服务用图像服务跨机用大图像 / Tensor 同机用临时自由结构用照着上面的最小示例分两个终端运行即可。

原创 SpireMS如何发布接收消息

如果你要发送已经定义好的消息，建议优先用def_msg()初始化，再写字段。例如先def_msg("消息类型")再按字段赋值小消息：直接照着上面的最小示例复制运行即可。

原创 SpireMS的spirecv_msgs消息详解

2DTargets是最核心的视觉结果消息用来承载评测指标用来做统一任务调度SAM*是模型专用消息Gimbal*是云台状态与控制消息更偏训练与标注数据结构模板字段只是最小集合，很多真正有用的字段来自运行时扩展。

原创 SpireMS的sensor_msgs消息详解

RawImage：原始图像：压缩图像：压缩视频帧PointCloud：点云LaserScan：平面激光扫描Imu：惯导NavSatFix：GNSS 定位：相机标定参数普通图像传输优先用点云用IMU 用GPS 用标定参数用。

原创 SpireMS的memory_msgs消息详解

共享内存原始图像：共享内存点云：共享内存 Tensor这三类消息真正的数据都不在 JSON 里，而在共享内存里是理解这组消息的关键。

原创 香港理工大学项目交付，打造高扩展科研无人机平台

该平台基于PX4开源飞控固件和ROS1/ROS2机器人操作系统开发、目前已集成控制、规划、集群、激光SLAM及SpireCV等模块，支持多平台仿真引擎(Windows、Ubuntu)，支持地面站人机交互，提供更容易上手的开发体验，不仅能够更好地承接飞控开发与算法验证任务，也能为后续功能迭代、实验复现和研究推进提供更顺畅的系统支撑。平台裸机重量控制在6.5kg以内，空载续航可达40分钟以上，在保证飞行稳定性的同时，也为机载电脑、激光雷达、RGB-D相机与机械臂等模块的协同部署预留了更充足的集成空间。

原创 一台更懂任务现场的遥控器

原创 空中机械臂不只能“向下”，Tilt-X如何打开全向操作空间？

整体来看，该系统通过引入倾斜与伸缩机制，不仅打破了传统“仅限下方作业”的限制，还通过引入多自由度的位姿变化与自适应线缆补偿算法，不仅构建了庞大的体积化工作空间，更在实证测试中成功通过物理伸展逃逸了螺旋桨下洗气流的强干扰区，降低了气动干扰对系统精度的影响，为空中接触式操作提供了更加可行的实现路径。Tilt-X 的算法模型巧妙地引入了长度自动补偿机制，执行器会不断调整线缆长度，消化掉由倾斜和伸缩机制引起的物理拉伸，确保在复杂的复合运动中，连续体段依然能维持预期的弯曲形态。测试结果揭示了近地作业的复杂性。

原创 苏黎世大学T-RO发表AC-MPC：强化学习遇上可微优化，实现21m/s实飞与零样本迁移

面对强度达1.5倍重力的瞬时侧向风场，AC-MPC凭借内置可微优化层实现的在线动力学修正，在维持10.76m/s高航速的同时，将任务通过率从纯学习策略(AC-MLP) 的6.5%强力拉升至83.33%，严谨论证了物理约束在解耦分布外气动干扰及抑制轨迹崩溃维度的决定性优势。总体来看，这篇论文展示了一条很有代表性的技术路线：通过可微优化模块将物理先验嵌入强化学习，在保留MPC预测能力的同时，引入强化学习的灵活性，为复杂动态控制系统的设计提供了一种新的思路。AC-MPC在学习效率上的提升非常明显。

原创 两天打通自主飞行链路，SU17无人机培训圆满收官

阿木实验室以SU17平台为载体，围绕无人机基础、Mavros控制接口、Prometheus软件框架，以及指点飞行、轨迹飞行、定位源飞行、FAST-LIO 建图、视觉EGO路径规划、雷达EGO路径规划等模块展开，帮助开发者建立从认知到实操的完整闭环。每个月月底，阿木实验室将在成都持续举办为期两天的线下培训活动，围绕平台开发与实际应用，通过理论讲解与实操演示相结合的方式，帮助开发者更高效地完成平台上手、功能验证与项目开发。对培训内容感兴趣的行业从业者和无人机爱好者，也欢迎与我们联系报名。下一期培训，我们再见！

原创 OpenClaw控制无人机，是整活还是真方向？

作为程序员出身的我，当年看到这一描述时充满质疑，而如今OpenClaw与大模型的深度融合，让AI能够理解复杂操作逻辑、自主完成无人机操控，这一现实早已超越了当年的想象，深刻印证了技术演化的无限可能。最近OpenClaw很火，对很多做机器人、做无人系统的人来说，它最吸引人的地方，不只是“又来了一个新工具”，而是它让一个原本听起来还有点远的问题，开始变得具体起来：AI 不只是回答问题，而是直接执行任务。，其核心逻辑是让OpenClaw模拟人类操作习惯，通过操控无人机地面站，间接实现对无人机的自主控制。

原创 多机联调少折腾：P600 RTK这次更新了什么？

RTK本该是提升精度的工具，却在现实工程中，变成了实验前很“麻烦”的一环。行驶的摩托车为目标，P600吊舱在10 倍变焦条件下持续跟踪锁定，并由机载SpireCV 图像识别模块完成目标识别与跟踪。P600 RTK模块更新后，P600在室外飞行测试中，机体姿态保持平稳，飞行稳定性进一步提升。如果你经常在室外做无人机实验，一定遇到过这样的场景：飞机和人都到位了，但实验还没开始，大家围着一堆设备忙活：架基站、接线、供电、连电脑、配参数。这些步骤，在实验室环境还能接受，但一旦到了室外测试现场，就会变得重且不方便。

原创 高校无人机实验室“全家桶”到位！教学实训科研全链路打通

近日，阿木实验室交付团队抵达山东交通学院，一套面向高校的智能无人机实验室建设方案正式落地：20架F230、10架P230室内教学无人机，以及SU17激光雷达版科研无人机等多款设备集中到位。这次“全家桶”交付，目的很清晰：不只把设备搬进实验室，更要把高校最关心的三件事一次跑通：从课堂教学、实训验证，到科研算法落地，把“能飞起来”升级为“能做研究、能出成果”。

原创 Science子刊｜多无人机协同吊载高速钻过0.8米窄缝

0.8米有多窄，三架无人机用缆绳协同吊起重物时，系统在悬停构型下的整体宽度约1.4m，如果不改变构型与负载姿态，根本无法通过0.8m的通道。更关键的是能否在狭窄间隙里兼顾高速机动与稳定控制？代尔夫特理工大学Sihao Sun团队于2025年10月29日在Science Robotics发表论文“Agile and cooperative aerial manipulation of a cable-suspended load”。

原创 自定义你的无人机仿真测试场

在保留官方预设场景和资产的基础上，你可以自由接入自定义无人机模型、添加各类环境资产，构建专属地图与任务空间，让仿真环境高度还原实际应用场景，把每一次仿真测试都变成贴近实战的“数字试飞”。ProSim仿真项目与Prometheus无人机开发平台深度结合，为开发者提供了一站式无人机算法开发与测试环境。无论是科研算法验证，还是产品级方案验证，都可以在ProSim中构建一个高度贴近真实场景的“数字试飞场”。“我想用自己的无人机模型、障碍物，而不是只能依赖默认场景。“能不能把我们厂区的真实布局搬进仿真里？

原创 苏黎世大学T-RO发表HDVIO2.0，在强风和模型失配下稳住VIO

视觉–惯性里程(VIO)已经是微型无人机机载状态估计的标配，但在高速机动、气动效应明显、且长时间处于强风等持续外扰环境中时，仅依赖相机和IMU的传统方案往往会产生明显误差累积，定位精度快速下滑。Blackbird数使用 0.5–9 m/s 的多条高速轨迹（含图像、IMU、转速），用部分轨迹训练动力学，其余轨迹作为测试，只比较轨迹精度（ATET/ATER）。在NeuroBEM数据集上，只用推力/力矩 + IMU输入不同动力学模型，不跑VIO，只比较它们对力/力矩的估计精度。

原创 携手英特尔，SU17行业版点亮产业智能新场景

阿木实验室 SU17 巡检无人机搭载 Intel® Core™ Ultra 处理器的机载边缘计算平台，在轻量和低功耗的硬件条件下，可稳定运行激光与视觉多传感器融合的建图和定位算法，实现货架与货物的巡检、条码识别与校验等任务。未来，阿木实验室将持续深化与英特尔的合作，从芯片到算法、从飞行平台到行业方案，共同拓展无人机技术在更多场景中的应用边界。来自政府、高校、产业伙伴与开发者的3000+名嘉宾汇聚一堂，共话智能化、融合化、绿色化的发展趋势，探索“人工智能+”时代的全新边界。

原创 110km/h追车着陆，加拿大舍布鲁克大学突破无人机高速着陆瓶颈

加拿大舍布鲁克大学Createk团队在2025年发表于《Journal of Field Robotics》的研究提出“摩擦式减振(FSA)+ 反向推力(RVT)”协同方案：在触地瞬间用摩擦结构耗散冲击能量，并通过电机反转提供向下压紧力，从而显著放宽姿态与速度容差，使多旋翼在高速移动平台上实现稳定着陆。在强阻力、高乱流、平台随机加减速等不利条件下，把“允许安全触地”的状态集合（触地点包络）显著做大，从而放宽对感知精度、控制带宽与时序的要求，让多旋翼以更快的下落速度也能稳妥着陆。

原创 全国集群智能与协同控制年度盛会 | 阿木实验室精彩亮相

11月1-3日，第九届全国集群智能与协同控制大会在上海举行，由中国指挥与控制学会主办，联合集群智能与协同控制专委会、上海交大、上海大学、北航、航天科工四院十七所、上海机电工程研究所等承办；多位院士出席，来自全国200余家单位的700余名代表参会。面向未来，我们将继续秉承“让机器人研发更高效”的发展理念，围绕无人系统的开发工具链与协同控制技术能力，向教学科研与产业应用提供从仿真验证到实飞部署的全栈支持，助力更多团队以更低门槛、更高效率参与到群体智能的创新与实践中。10000+无人机开发者和你共同进步！

原创 报名进行中！P系列无人机用户专享免费实战培训

研发工程师-新一在开源飞控与自主无人机二次开发方面经验丰富，参与多所航空航天院校与科研院所的自主无人机项目；已开展P系列无人机线下培训不少于50次，累计培训学员超1000人。主要研究方向为开源自主无人机系统集成与板载计算机。

原创 SU17-Orin适配YOPO，端到端避障开箱即用

天津大学开源的端到端规划算法YOPO(You Only Plan Once) 基于最优控制理论和对抗训练方法，在保证模型鲁棒性的同时，大幅降低训练与推理的计算量，能够实现感知、规划与控制的高效融合。YOPO最大的优点是计算效率高，实验表明，YOPO能够将对抗训练的时间缩短到接近普通训练（Natural Training）的2到3倍，而传统的PGD对抗训练可能需要10倍以上的时间。在地面站的rviz中进行给点（需要预估目标点的位置输入后点击发送），点击发送，无人机会根据目标点使用yopo算法进行规划避障。

原创 英特尔x阿木实验室|SU17仓库巡检亮相上海工博会

面对这些挑战，阿木实验室SU17巡检无人机基于Intel® Core™ Ultra 处理器的机载边缘计算平台，在轻量化、低功耗前提下稳定运行激光+视觉多传感器融合的建图与定位算法，完成货架与货物巡检、条码识读与校验等功能；阿木实验室与英特尔已建立长期、持久、深度的合作关系。作为英特尔亚太区重要物流枢纽，英特尔成都仓库虽已配备先进的自动化设备与管理系统，但传统人工盘点/巡检仍有痛点：高货架作业存在安全风险，覆盖范围受限易出现盲区，数据依赖人工录入与核对、实时性与准确性不足，进而影响运营决策效率。

原创 从“互联网+”到“AI+”，迎接下一个时代浪潮

如果说过去二十年，我们生活的世界被“互联网+”深刻重塑，那么未来二十年，我们将步入一个由“AI+”定义的新时代。拥抱和理解 A，不仅是为了不被时代淘汰，更是为了主动携手这个强大的工具，共同创造一个更高效、更智能、更美好的未来。新能源汽车的自动驾驶辅助功能，则是在用AI感知周围环境（车辆、行人、障碍物），决策加速、刹车或转向，极大提升驾驶安全。人工智能（AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它解决了“在哪里”、“是谁”、“多少钱”的问题。

原创 Nature子刊 | 零通信也能多机协同？可微分物理驱动的视觉端到端高速

试着把画面拉近，无论是在密林，还是在障碍物密集的室内，几架小型无人机，在条件下连续穿越。这不是概念短片，而是登上Nature Machine Intelligence的真实成果。2025年6月，上海交通大学林巍峣与邹丹平教授团队，发表论文 “Learning vision-based agile flight via differentiable physics”首次将可微分物理训练的端到端策略部署到真实无人机，在林地实现单机20m/s的高速避障，并在零通信条件下完成六机复杂协同穿越。

原创 YOPO端到端复现真机教程来了！SU17开发者版本速通指南

YOPO不依赖在线建图，把感知、轨迹搜索与优化耦合进同一网络，单次前向推理即可给出安全可行轨迹；SU17开发者版所配Orin选配包基于NVIDIA ARM架构，因此需安装NVIDIA官方、适配Jetson Orin NX的PyTorch。为降低上手成本，我们后续将会推出对应的功能安装包，开箱即用、快速部署。使用NoMachine，通过同一局域网连接SU17-Orin选配包，进入桌面。回到RViz：左下角应显示深度图，右侧为YOPO规划出的轨迹。规划算法的工程化复现，并整理出一套“从零到跑通”的实操教程。

原创 天津大学YOPO端到端规划算法复现教程 |ProSim篇

版本上完成了工程化复现。SU17开发者版本面向研发场景，具备强扩展性与丰富的二次开发接口，便于数据采集、模型训练与联调验证，并与ProSim(PrometheusSim) 仿真平台无缝对接。在run目录下打开终端，运行conda activate yopo激活yopo环境，运行python run_yopo.py即可开始用自己的数据进行训练。在测试环境中，通过在Rviz中给点飞行，无人机仅利用深度相机获取到的深度图以及速度和加速度作为模型输入，最终得到可行的运动轨迹。

原创 不用羡慕特斯拉FSD，你也能在无人机上复现视觉端到端｜Ubuntu复现教程

在rviz环境下启动 YOPO 后，通过鼠标点选目标点即可触发完整闭环：目标坐标被发送至YOPO推理模块，生成对应轨迹并解算为控制指令下发至无人机；当进入目标点的设定阈值范围，终端输出“arrive”，随后停止下发控制指令，无人机在当前位置悬停；如需前往新的位置，继续在rviz点选目标即可，流程稳定可复用。YOPO通过端到端轨迹规划将延迟降至毫秒级，驱动无人机高速、稳定自主飞行。本文主要介绍基于Ubuntu平台的训练及仿真复现教程，跟着教程就能顺利跑通，在自己无人机上轻松实现视觉端到端飞行。

原创 智能视觉很强，但传统视觉还是香

我们最近完成了一个项目，在一台算力有限的移动小车上，搭载机械臂完成对魔方的精准抓取。系统使用的是手眼一体结构，相机固定在机械臂末端，通过图像识别引导夹爪执行操作。得益于这种俯拍结构，魔方在图中呈标准正方形，边界清晰，便于后续处理。系统通过实现目标检测，可稳定输出魔方的中心位置和标准边界框。但在实测中发现：若夹爪正对魔方对角抓取，接触面过小，魔方易滑动甚至损坏。为此我们希望通过视觉识别引导夹爪旋转对齐魔方棱边，提升抓取稳定性。问题在于，SpireCV返回的是标准边界框，不含目标相对于夹爪的偏移角度。