- 博客(181)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 CFG 与 PDA 的表达能力等价（理论计算机基础复习十五)
若 (r, γ) ∈ δ(p, a, ε) 且 (q, ε) ∈ δ(s, b, γ)，则 A_{p,q} → a A_{r,s} b。给定文法 G = (V, Σ, R, S)，设计 PDA P = (Q, Σ, Γ, δ, q₀, F) 使 L§ = L(G)。拆成：p ──a, s→z──► q₁，再 q₁ ──ε, ε→y──► q₂，再 q₂ ──ε, ε→x──► q。δ′(q, x, a) = δ(q, x, a)，当 q ∈ Q \ F 或 x ≠ ε 或 a ≠ ε。
2026-05-12 00:32:08
401
原创 CFL 闭包性质、CYK 与 CFG 判定（理论计算机基础复习十四)
则 (L̄₁ ∪ L̄₂)̄ 也应为 CFL，而德摩根律给出 (L̄₁ ∪ L̄₂)̄ = L₁ ∩ L₂。下的 CFG G = (V, Σ, R, S) 与串 w ∈ Σ＊，问是否 w ∈ L(G)？对 L₁L₂，新增开始符号 S 与规则 S → S₁S₂（并保留 G₁、G₂ 全部规则）。L̄₁、L̄₂ 也是 CFL，于是 L̄₁ ∪ L̄₂ 也是 CFL（并对并封闭）。设 L₁ = L(G₁)，L₂ = L(G₂)，重命名后 V₁ ∩ V₂ = ∅。原因：补是差的特例：Σ＊ ∖ L = L̄；
2026-05-12 00:16:31
405
原创 非上下文无关语言（理论计算机基础复习十二)
由抽引引理，z = uvwxy 且 |vwx| ≤ p、|vx| > 0，并且对所有抽引指数 t ≥ 0 有 uvᵗwxᵗy ∈ L。对任意满足 |vwx| ≤ p 且 |vx| > 0 的分解 z = uvwxy，分类讨论 vwx 所在位置。取 t = 0（抽下）至少破坏 #a=#c 或 #b=#d 之一，故 uv⁰wx⁰y ∉ L，矛盾。如果 L 是 CFL，则存在抽引长度 p，使得任意 z ∈ L 且 |z| ≥ p，由于 n₁ ≠ n₂，且此处无导致塌缩的空/单元影响，可得 |vx| > 0。
2026-05-06 08:15:59
386
原创 上下文无关文法（CFG）与语法分析树（理论计算机基础复习十一)
αₙ 使得 α = α₀ ⇒ α₁ ⇒ …归纳步骤：(n+1) 步推导必为 S ⇒ 0S0 ⇒＊ 0x0 或 S ⇒ 1S1 ⇒＊ 1x1，其中 S ⇒＊ x 只需 n 步。考虑 G_pal = ({S}, {0,1}, R, S)，其中 R = {S → ε | 0 | 1 | 0S0 | 1S1}。若 A → γ 是 G 的规则，且 α, β, γ ∈ (V ∪ Σ)＊、A ∈ V，则记 αAβ ⇒₍G₎ αγβ。则 A ⇒＊ α₁Xα₂ ⇒ α₁γα₂ = α，其中 X → X₁…
2026-05-06 07:36:54
374
原创 Grammars, Chomsky Types 0–3, LBA（理论计算机基础复习十)
在 G′ 中，每条产生式可写成 α₁ A α₂ → α₁ β α₂，其中 A 是单个变元，β 为 (Σ ∪ V) 上的串，α₁、α₂ 为左右上下文。2 型文法的产生式形如 A → β，其中 A ∈ V（单个变元），β ∈ (Σ ∪ V)（终结符与变元的任意有限串，可为 ε）。若 M ∈ L_d,LBA = L(M)，则 M 接受自己的编码，与 L_d,LBA 的定义（其中的机器不接受自身编码）矛盾。产生式形如 α → β，其中 α、β ∈ (Σ ∪ V)*，且 |α| ≤ |β|（幻灯片中用红色强调）。
2026-04-22 00:51:29
292
原创 可判定语言, 递归可枚举语言 的布尔运算的封闭性（理论计算机基础复习八)
A TM that decides L ̄ ₁(L的补集）: on input x, run M₁ on x, and accept if M₁ rejects, and reject if M₁ accepts.构造识别 L₁ ∪ L₂ 的图灵机：输入 x 后并行运行 M₁ 与 M₂；构造判定 L₁ ∪ L₂ 的图灵机：输入 x 后运行 M₁ 与 M₂；若 M₁ 接受则接受，若 M₂ 接受则拒绝。给定判定语言 L₁ 与 L₂ 的图灵机 M₁ 与 M₂。给定识别 L₁ 与 L₂ 的图灵机 M₁ 与 M₂。
2026-04-16 12:55:23
325
原创 用归约证明可判定性和不可判定性（理论计算机基础复习七)
A reduction is a way of converting one problem into another problem such that a solution to the second problem can be used to solve the first problem. We say the first problem reduces to the second problem.归约是把一个问题转换成另一个问题的方法：若能解决第二个问题，就能用来解决第一个问题。称第一个问题归
2026-04-16 12:41:40
318
原创 判定问题与语言, 递归可枚举，非递归可枚举，对角语言（理论计算机基础复习六)
一个判定问题要求检查输入（字符串）是否具有某种性质。因此，：该语言恰好由那些答案为（满足条件的字符串）
2026-04-16 06:25:35
354
原创 多带图灵机，非确定性图灵机和随机存取机（理论计算机基础复习五)
由于原多带机的两条带子在更远的位置可能都还没有写入任何内容（都是空格），且读写头也没移动到那里，所以单带机直接用一个标准的空白符号 凵 来表示。形式地，M = (Q, Σ, Γ, δ, q₀, t, r)，其中Q, Σ, Γ, q₀, t, r are as before for 1-tape machine。Xₙ ⊢ X₁ X₂ …的信息：第一层（Tape 1）：内容是空格（凵），读写头不在这里。若 r = max{q, X} |δ(q, X)|，则 M 的运行可以组织成一棵每次最多 r 叉的计算树。
2026-04-16 04:47:40
337
原创 图灵机定义，格局，转移，设计图灵机（理论计算机基础复习四)
一台图灵机是一个七元组 M = (Q, Σ, Γ, δ, q₀, t, r)，其中：Q 是有限控制状态集Σ 是有限输入符号集Γ ⊆ Σ 是有限磁带符号集。此外，还有一个空白符号 ⊔ ∈ Γ \ Σq₀ ∈ Q 是初始状态t ∈ Q 是接受状态r ∈ Q 是拒绝状态，其中 r ≠ tδ : Q × Γ → Q × Γ × {L, R} 是转移函数。给定当前状态和正在读取的符号，转移函数描述了下一个状态、要写入的符号以及磁带头移动的方向（向左或向右）。
2026-04-16 03:51:40
393
原创 图灵机的不可判定性问题应用（理论计算机基础复习三)
语言LLL补集L‾L的状态做题策略提示ATMA_{TM}ATM非 RE(Not RE)用来证明“不接受”、“不运行”类问题非 REETME_{TM}ETMRE 但不可判定ETME_{TM}ETM本身是非 RE 的，因为它涉及∀\forall∀逻辑HALTHALTHALT非 RE(Not RE)HALT‾HALT是证明“死循环检测”不可行的基石TOTALTOTALTOTAL非 RE。
2026-04-15 15:47:57
381
原创 图灵机的不可判定性问题（理论计算机基础复习二)
问题名称符号核心含义难度等级接受性ATMA_{TM}ATMMMM会接受www吗？RE, 不可判定停机性HALTTMHALT_{TM}HALTTMMMM会运行完吗？RE, 不可判定空性ETME_{TM}ETMMMM啥都不收吗？非 RE等价性EQTMEQ_{TM}EQTMM1M2M_1, M_2M1M2功能一样吗？非 RE全停机TOTALTOTALTOTAL对所有输入都停机吗？
2026-04-15 15:40:34
411
原创 图灵机和图灵机的描述（理论计算机基础复习一）
（计算的终极标尺）主播一开始对于计算的定义是使用机器（包括算盘or计算机or机床）去读取输入（比如代码，像素）然后计算出数值结果。这似乎有些不完善。
2026-04-14 12:18:41
379
原创 xToolStudio在你的木板上切割你喜欢的图案!
本文介绍了使用激光切割设备制作创意项目的简易教程。首先可通过PS等软件设计图案并导出为图片格式，然后在xTool Studio软件中导入图片，用矩形工具设置切割轮廓。连接设备后即可开始切割，并能在电脑上实时监控进度。详细案例可参考官网文档(https://www.xtool.com)。该教程为初学者提供了快速上手指南，展示了从设计到成品的完整流程。
2026-04-08 04:24:54
49
原创 Robotics从零动手做一个迷你机器人并学会控制它
本文的内容主要参考论文TWIST2, 来动手做一个Neck（脖子）机器人，论文链接放在文末。
2026-04-07 00:42:17
350
原创 Robotics（26 Spring）从零配置ZEDM立体摄像机 ——使用教程 Windows
最近实验室在开展关于机器人的项目于是开此系列博客，包括机器人控制，立体摄像机视觉捕捉等，本文主要讲ZED MINI 立体摄像机的基本配置。
2026-04-06 23:40:06
106
原创 论文随笔: Twist 2 可扩展、可移植且整体化的人形机器人数据采集系统
最近合作的实验室入手了Pico和人形机器人，以及一个简易的智能Neck，于是开始上马相关的项目，后面应该会更新更多关于Twist2项目相关的复现过程，欢迎关注。论文地址:https://arxiv.org/abs/2511.02832图 1： 我们提出 TWIST2，一种强调可扩展性与便携性的整体式人形数据采集系统。与 TWIST [1] 等动捕方案相比，TWIST2 能实现，同时。我们制作了一个 2 自由度颈部（）以支持以自我为中心的遥操作，成本约 250 美元。
2026-04-01 14:53:43
1108
原创 开源项目: 从信息噪声到可执行结论，Clue Workbench 正在改变内容研究的工作方式
输出可用于汇报与决策沟通的摘要，包括关键事实、主线、风险和下一步建议。
2026-03-31 07:25:47
338
原创 NVIDIA Omniverse NuRec
当你运行 NuRec 时，它会把真实世界数据转换为三维场景，并在。相关工作的开发者，通过 NuRec 的渲染已内置于 Omniverse，因此你可以直接使用。）的用户可以在应用中加载兼容场景，并通过 OmniNuRecVolumeAPI。文件后，你可以加载它，并使用 OmniNuRecVolumeAPI。的流程，NVIDIA 在 Hugging Face 上的。的 JSON 文件。地图，用于下游仿真任务（交通建模、场景编辑等）。模型会对渲染图像进行精修，以在重建与渲染过程中。，以便与仿真平台无缝集成。
2026-03-23 07:14:32
462
原创 IsaacSim: 用智能手机在 NVIDIA Isaac Sim 中重建场景
为机器人仿真构建逼真的三维环境往往费时费力。如今借助，你只需一部智能手机即可完成全流程。本文逐步说明：从用拍摄照片，到用重建三维场景，再到载入并放入机器人。若希望跳过重建（步骤 1–3），直接在中探索场景（步骤 4），请访问 Hugging Face 上的。
2026-03-22 14:08:27
440
原创 3DGS如何提升面向仿真的三维高斯重建质量
本文围绕Fixer与工作流，说明了如何从带伪影的重建结果出发，通过离线或在线方式提升三维高斯类渲染在仿真中的可用性与观感，尤其适用于自动驾驶等需要稳定、清晰多视角输出的场景。如需复现，请结合官方仓库、Docker 环境与 Hugging Face 上的模型与数据集说明进行操作。文章来自：https://developer.nvidia.com/blog/how-to-enhance-3d-gaussian-reconstruction-quality-for-simulation/
2026-03-22 12:15:40
412
原创 CARLA: 如何在 CARLA 中回放自动驾驶场景
对于自动驾驶（AV）开发，集成到开源 CARLA 自动驾驶模拟器中的 Omniverse NuRec 库提供了强大能力。这是一项实验性新功能，适用于 NVIDIA Physical AI Dataset 中已完成重建的示例场景。前向车载摄像头视角下，真实世界繁忙街道在仿真中的重建效果。：用于 CARLA 中 Omniverse NuRec 渲染流程的示例场景。
2026-03-20 10:38:03
455
原创 NUREC: 如何在交互式模拟中即时渲染真实世界场景
本文将介绍NVDA提供的一个工具包NVIDIA Omniverse NuRec和3DGUT，可以帮助人们从简单的传感器数据重建逼真的 3D 场景，并立即将其部署到NVIDIA Isaac Sim或CARLA 模拟器中。本文包括如何捕获真实世界的数据、训练重建模型，并将结果加载到 Isaac Sim 中。相关视频推荐：https://youtu.be/e3dfXj6ATA0神经重建技术能够实现机器人，从而。以下步骤将神经重建和渲染流程简化为一个适用于不同环境的通用方案。
2026-03-20 09:34:21
536
原创 真正的财务自由，不是你想的那样；你的资产，在全国排老几？
这种财富分配的“马太效应”在2025年愈发明显，主要原因在于高净值人群拥有更广泛的渠道进入股权投资和私募市场，而这些资产在AI浪潮驱动下的溢价远超劳动报酬的增长 6。对于20岁的毕业生，放弃对“稳定铁饭碗”的执念，拥抱“AI+资产所有权”的新模式，将是通往中产阶级与财富自由的必经之路。此外，欧洲央行（ECB）的消费者预期调查显示，18-34岁的欧洲青年对未来12个月的通胀预期（2.6%）低于年长群体，但由于失业预期在低收入群体中仍高达13.5%，这使得该年龄段的消费与投资决策趋于谨慎 16。
2026-03-02 04:43:31
737
原创 水下软体机器人（水母）的设计、制造概念
在这一阶段，还要把各种限制想清楚，比如**整机要接近中性浮力、防水要可靠、电路板和水泵要放在哪里、水泵怎么连到触手上、触手多长、伞直径多大、材料要多软或多硬（**通过不同 Shore 硬度的硅胶组合来调节），以及后面打算用什么加工工艺做出来——这就是“设计逻辑”：先从需求和环境出发，确定外形和运动方式，再反推材料、尺寸和加工方法。在水母机器人里，触手的内部还设计成有多个连通的小腔室和一条公共通道，灌模时这些细节都被“刻”在 3D 打印的模具里，所以硅胶固化后自然就具备了这些内部结构。
2026-02-28 04:17:12
549
原创 机器人仿真: 训练自己第一个平衡机器人Cartpole
用 Isaac Lab 做强化学习时，一个任务是怎么被「注册」的？配置里的奖励、终止、观测到底在哪生效？训练脚本又是怎么把环境和 PPO 串起来的？这篇博客顺着「从注册到训练」的一条线，把 Cartpole 项目里的代码是怎么 work 的讲清楚。当我们输入指令：该指令会执行训练 Cartpole 任务（Template-Cartpole-v0），同时调用 4096 个并行环境 做 PPO 训练背后大致是这几步：id：就是环境的名字。Gym 通过id定位环境。entry_point：一个字符串，像
2026-02-02 08:44:22
940
原创 论文随笔 回到过去，关于具身智能与人机交互的思考
小编之前有一篇文章有讨论到其作者开发设备让用户增强某些感知， 举个例子，你在剥橘子，其会增强你剥橘子的产生的声音（因为很小，正常听不到），通过这样的方式，让用户将更多注意力放在手头上的事，而不是一边剥橘子一边看电视，一边和人说话， 这样可以让用户将重心回归手头的活，专注于当下的细节。批注：从舞蹈从业者的角度思考身体的作用似乎是很好的切入点，因为舞蹈，包括武术等需要的是全身的协调，身体作为一个模型，去感知世界，其是如何联系的？CHI 2011 研讨会专刊导读。批注：强调身体感知的延伸。
2026-01-22 14:31:35
718
原创 机器人仿真: Isaac Lab 环境配置完整指南
本文详细记录了在Windows系统上配置Isaac Lab环境的完整流程。首先需满足Python 3.11、NVIDIA GPU等系统要求，然后通过启用Windows长路径支持、创建虚拟环境、安装Isaac Sim和PyTorch等步骤完成基础配置。重点解决了Windows长路径限制和Python版本兼容性等常见问题，最后通过验证脚本确认安装成功。该指南为机器人学习提供了完整的开发环境搭建方案，包含详细命令和问题解决方案。
2026-01-19 14:32:42
1418
原创 论文随笔 从“制造”到“生长”：当交互设备拥有了生物的灵魂
在数字化浪潮席卷全球的今天，我们的电子设备正陷入一种尴尬的悖论：它们在性能上登峰造极，却在生命周期上短促而廉价。为了追求标准化和规模化，我们制造了无数难以拆解、不可回收的“电子垃圾”。但在最近的 HCI（人机交互）顶级会议上，来自萨尔大学和巴黎理工学院的研究员上排左侧与中间（膝盖/关节处）： 展示了贴合身体的电路（On-body circuits）。由于生物塑料具有很好的柔韧性和粘附性，它可以像膏药一样贴在关节处，并随着肢体运动而弯曲，保持导电性能。
2025-12-22 12:02:08
906
原创 论文随笔 聊聊感知智能用户界面的三大核心
感知智能 UI 的出现，标志着 XR 交互从“人适应机器”向量“机器适应人”的跨越。通过理解感官极限动态重组界面以及持续锁定意图，未来的 XR 设备将不再是遮挡我们视线的屏障，而是成为我们感知世界的一种延伸。正如 Hyunsung Cho 在论文中所言：科技的终极目标是无缝集成到人类经验中，支持而非淹没我们的自然能力。
2025-12-20 16:19:23
1043
原创 论文随笔 感官支架: 科技如何带我们重返现实？
感官支架”并非让你永远依赖设备，而是一种暂时的感知干预系统。它像是一副“感知放大镜”，通过调节感官体验来打破习惯化。核心：不只是教你“换个方式思考”（认知策略），而是让你直接“换个方式感知”（感知策略）。图 1：支持手动交互的正念设备这张图片展示了一个用于增强日常操作感知的可穿戴系统。其工作流程如下：声音采集：通过用户手腕上的麦克风，捕捉手动操作（如图片中正在捣碎东西）产生的细微声音。实时放大与回放：系统将这些声音实时放大，并通过耳机回传给用户。
2025-12-19 16:15:37
945
原创 普通LLM智能体与具身智能：从语言理解到自主行动
摘要：近年来，大语言模型（LLM）的发展推动了AI系统的演进，形成了两种主要形态：普通LLM智能体和具身智能（Agentic AI）。普通LLM智能体如智能客服系统，通过语言处理实现被动响应式交互，适合信息检索和辅助决策。而具身智能则具备自主规划、环境感知和学习能力，如小鹏汽车的智能驾驶系统，能够主动执行复杂任务并持续优化。具身智能被视为迈向通用人工智能（AGI）的关键，其目标理解、自主决策和环境适应能力为AI系统赋予了更接近人类智能的"能动性"。
2025-11-11 04:26:34
971
原创 Transformer前世今生——使用pytorch实现多头注意力（八）
在本教程中，我们将一步步用 PyTorch 实现：一个通用的Attention 类自注意力（Self-Attention）掩蔽自注意力（Masked Self-Attention）编码器-解码器注意力（Encoder-Decoder Attention）一个Multi-Head Attention 类→ 模拟 Transformer 中多个“头”同时计算注意力的机制。多头注意力让模型拥有多双“眼睛”，每个头专注不同的语义视角，最终融合成更全面的理解 ——
2025-11-07 02:56:49
1036
原创 Transformer前世今生——多头注意力（六）
多头注意力是 Transformer 模型中的核心机制之一。让模型从多个不同的角度同时理解句子中的词语关系。简单来说，不只用一个“注意力头（Head）”去分析词与词之间的关系，而是同时使用多个头，每个头关注不同的语义层面。👁️ 第一双眼睛看语法结构；👁️ 第二双眼睛看情绪和语气；👁️ 第三双眼睛看主语与宾语的关系。多个“头”同时工作，再把结果融合起来，就能更全面地理解语义。关键点含义多头注意力模型通过多个“头”同时从不同角度理解句子每个头独立学习每个头有独立的 Q、K、V 权重。
2025-11-07 02:35:04
639
原创 Transformer前世今生——掩蔽自注意力计算方法及代码实现（六）
随着AI市场，生成模型的投资热，小编在这里也开了一个Transformer的讲解系列，因为目前主流的大模型其核心都是Transformer，attention is all you need.本系列将介绍Transformer的算法原理以及使用pytorch的实现.本节我们要学习掩蔽自注意力的计算方法。
2025-11-01 05:25:45
907
原创 Transformer前世今生——自注意力（self-attention）与掩蔽自注意力
本文深入解析Transformer模型中自注意力与掩蔽自注意力的核心区别及影响。自注意力机制通过计算词间相似性建立关联，而掩蔽自注意力仅能访问前文信息。文章详细介绍了词嵌入表示、位置编码等关键技术，并对比了两种Transformer架构：Encoder-only模型通过上下文感知嵌入实现文本理解，适用于分类任务；Decoder-only模型采用掩蔽自注意力，专长于文本生成（如ChatGPT）。这一关键差异决定了模型在自然语言处理中的不同应用方向。
2025-10-31 05:10:57
659
原创 Transformer前世今生——Pytorch代码实现（四）
随着AI市场，生成模型的投资热，小编在这里也开了一个Transformer的讲解系列，因为目前主流的大模型其核心都是Transformer，attention is all you need.本系列将介绍Transformer的算法原理以及使用pytorch的实现.注意力机制（Attention）是神经网络中 Transformer 架构的关键组成部分，而 Transformer 正是当前大型语言模型（LLM）和人工智能（AI）热潮的核心驱动力。
2025-10-23 03:50:28
290
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人