- 博客(1499)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 在骁龙X2 Elite平台上部署本地数据分析助手: 自动图表生成与报告输出
本文介绍了一种基于大模型的本地化数据分析方案，使用Ollama和qwen2.5:7b模型在骁龙X2 Elite设备上实现自然语言查询数据。方案包含以下核心内容： 环境配置：在X2 Elite笔记本（32GB内存）部署Ollama，加载qwen2.5:7b模型用于代码生成 工作流程：用户输入自然语言问题→模型生成Pandas代码→沙箱执行→返回结果 关键技术：自动图表生成（根据数据特征选择图表类型）和报告模板引擎（生成完整Markdown报告） 实现效果：端到端延迟约3秒，重试成功率97%，支持500行以上数
2026-07-02 12:11:25
41
原创 结合Optrace与QNN Profiler协同调试: 多工具交叉验证AI推理瓶颈
本文记录了在 高通跃龙IQ-9075 EVK开发板上优化Qwen2.5-7B模型推理性能的全过程。通过三层交叉验证方法：1) Genie应用层定位decode阶段耗时瓶颈；2) QNN Profiler分析算子计算与调度等待时间；3) Optrace追踪硬件资源竞争。关键发现包括HTP profiling需独占NPU、短prompt确保数据完整、三层工具协同定位性能瓶颈的方法论。附有环境配置、采集隔离说明及完整产物清单，为HTP平台性能调优提供实践参考。
2026-07-02 10:48:33
97
原创 高通平台Android系统的OTA升级错误码分析(2): A/B无缝升级update_engine错误码深度剖析
摘要：本文深入解析Android A/B无缝升级机制中的update_engine错误码体系，基于AOSP源码与高通平台实践。上篇回顾了Non-A/B分区的Recovery升级问题，本篇聚焦A/B架构，梳理通用错误码（0-19基础错误、20-39元数据校验错误），并分析高通设备特有场景（如基带/TZ校验、UFS写入失败等）。通过分区布局示意和升级流程图，揭示OTA过程中关键失败点，为故障定位提供系统化参考。
2026-07-02 10:10:28
109
原创 高通平台Android系统的OTA升级错误码分析(1): 解读Recovery日志中的专属报错
文章摘要 本文系统梳理了高通平台Android设备在Non-A/B分区模式下OTA升级失败的错误码体系。首先概述了两种升级模式（传统Recovery与A/B无缝升级）的差异，重点解析了Recovery日志位置与获取方式。随后详细解读了install_package()返回码、典型错误7的根因（设备型号/版本/分区校验失败）、签名验证机制以及高通特有错误（基带/TrustZone版本校验）。最后提供了存储层错误分析方法和实战日志获取技巧，为定位OTA升级问题提供系统化解决方案。
2026-07-02 10:09:05
151
原创 骁龙X2 Elite端侧大模型部署实战(2): 异构加速推理与流式性能极致优化
本文探讨了在骁龙X2 Elite平台上优化大模型推理的系统级技术，重点介绍了异构协同推理架构。通过高通AI引擎调度器，将计算密集型算子（如矩阵乘法）分配给NPU，控制密集型算子（如Softmax、KV Cache管理）分配给CPU，实现高效协同。文章还概述了流式推理、KV Cache优化、内存管理等关键技术，并提供了Transformer层的异构算子分配代码示例，展示了如何在不同计算引擎间分配任务以提升端侧大模型性能。
2026-06-25 12:02:06
205
原创 骁龙X2 Elite端侧大模型部署实战(1): 模型量化压缩与精度无损迁移
本文介绍了在骁龙X2 Elite平台上部署7B~13B参数大语言模型的关键量化技术。该平台凭借85+ TOPS的NPU算力和64GB内存，为端侧大模型提供了硬件基础。文章详述了量化原理、INT8/INT4方案对比（AWQ vs GPTQ）、分层量化策略，以及校准数据集构建方法。重点分析了X2 Elite的硬件特性与主流模型的适配性，提出了针对不同模型层的最佳量化精度建议，为开发者提供了端侧大模型部署的完整技术方案，在保证精度的同时实现4-8倍的模型压缩和2-4倍的推理加速。
2026-06-25 11:42:26
361
原创 FastRPC实战(2): 与SMCInvoke的IPC机制对比
摘要 本文对比分析了高通平台上FastRPC与SMCInvoke两套通信机制的设计差异与应用场景。FastRPC用于异构计算场景（如ARM AP与Hexagon DSP间的通信），通过共享内存与Glink实现高效数据交互；SMCInvoke则服务于同处理器双世界切换（Normal与Secure World），侧重硬件级安全隔离。尽管两者在IDL接口定义、Stub/Skel生成等软件架构上高度相似，但分别针对算力卸载与安全边界需求进行了优化。文章结合Qwen本地模型部署实例，探讨了FastRPC在DSP推理中
2026-06-25 10:20:49
332
原创 FastRPC实战(1): 将计算负载从CPU卸载到Qualcomm Hexagon DSP
FastRPC是高通专有的远程过程调用机制，用于高效连接CPU与Hexagon DSP。它采用客户端-服务器架构，支持透明远程调用、自动加载DSP模块和同步/增强调用模式。近年来FastRPC持续演进，新增了invokeV2接口、轮询模式、用户空间缓冲区支持等功能，显著提升了性能和可靠性。该技术已广泛应用于AI推理、计算机视觉、音频处理等领域，成为高通异构计算生态的重要基石。开发者可通过Hexagon SDK快速实现任务卸载到DSP，但需注意内存映射限制等常见问题。
2026-06-25 10:06:37
339
原创 高通跃龙IQ-9100平台上部署7B模型FastRPC通过IOMMU零拷贝调用DSP服务的原理
本文探讨了在高通跃龙IQ-9100平台上实现AI模型零拷贝推理的机制。通过实测数据发现，4.7GB的Qwen2.5-7B模型运行时仅占用73MB进程内存，权重存储在共享的dma-buf中。关键在于SoC的统一内存架构(UMA)和FastRPC+dma-buf+IOMMU的技术组合，使CPU与DSP能直接访问同一物理内存，避免了数据复制。文章分析了与GPU独立显存架构的本质差异，并详细解构了FastRPC远程调用的工作原理，展示了边缘AI部署中高效内存共享的实现方式。
2026-06-18 13:49:25
316
原创 骁龙X2 Elite平台AI实战(3):部署本地RAG知识库问答系统
本文基于骁龙X2 Elite（Windows 11，32GB内存）构建了一套完全离线的本地RAG知识库问答系统。第一篇完成环境搭建：安装Python 3.10与Miniconda，部署Ollama并拉取qwen2.5:7b模型，第二篇编写build_index.py批量入库5个Markdown文档，按chunk_size=500、chunk_overlap=50切分为47个片段通过Prompt策略（限定回答范围、控制200字以内）抑制模型幻觉，并给出多轮对话扩展方案。实测端到端延迟约3.2秒
2026-06-18 13:08:50
331
原创 骁龙X2 Elite平台AI实战(2): 部署离线会议纪要助手
本项目在骁龙X2-Elite（Windows 11 ARM64）笔记本上，成功搭建了一套完全离线、可直接投入办公使用的会议纪要自动化闭环系统。全文分为两大阶段，核心逻辑是“先转写，后整理”。这套链路完全抛弃云端依赖，具有足够轻（脚本简单）、足够稳（阶段分离、格式固定）、足够实用（直接适配周会、复盘会、客户沟通会）的特点。至此，X2-Elite从“能跑模型”进阶为“能承担完整办公场景”的生产力工具，产出的Markdown纪要可直接复制到企业微信、飞书或邮件中发送归档。
2026-06-18 11:49:34
353
原创 骁龙X2 Elite平台AI实战(1): 搭建本地AI编程助手
搭载骁龙 X2 Elite（X2E-96-100）的轻薄本，18 核 Oryon CPU + 85 TOPS Hexagon NPU，这配置不拿来跑本地 AI 简直是浪费。本文从介绍WSL2 安装 + Ubuntu ARM64 基础环境配置开始，到Ollama 本地大模型部署与优化，再到利用Open WebUI + Continue.dev 打造本地 AI 编程助手
2026-06-18 10:57:14
347
原创 骁龙X2 Elite边缘AI应用开发实战(5): AIGC实战之Stable Diffusion 3与ControlNet部署
摘要： 本文展示了在Snapdragon X2 Elite NPU上部署Stable Diffusion 3（SD3）的完整流程，重点解析其DiT（Diffusion Transformer）架构优势及性能表现。SD3采用双文本编码器（CLIP-L + T5-XXL）和Transformer加速硬件设计，X2 Elite的Hexagon V77 NPU凭借专用注意力层单元，实现SD3 Medium模型4秒/图的生成速度（较前代提升2.3倍）。文章提供完整的Python实现代码，涵盖双文本编码、DiT采样循环
2026-06-11 13:50:59
279
原创 骁龙X2 Elite边缘AI应用开发实战(4): AIGC实战之Stable Diffusion 1.5极速文生图
本文介绍了在X2 Elite设备上本地运行Stable Diffusion 1.5模型的实践，实现了2秒生成512×512图片的离线AIGC能力。相比前代X1 Elite，X2 Elite凭借Hexagon V77 NPU（85 TOPS）和228 GB/s内存带宽，性能提升2.25倍。文章对比了SD 1.5（UNet架构）与SD 3（DiT架构）的特性差异，并提供了完整的开发环境配置指南和NPU推理代码实现，涵盖Text Encoder、UNet、VAE Decoder三个核心模型的QNN EP优化配置。
2026-06-11 13:38:20
309
原创 骁龙X2 Elite边缘AI应用开发实战(3): 端侧智能语音助手全链路实现
本文介绍了在骁龙X2 Elite芯片上实现端到端离线语音助手的全流程技术方案。通过NPU加速，构建包含语音检测(VAD)、语音识别(ASR)、大语言模型(LLM)和语音合成(TTS)的多模型流水线，所有处理均在本地完成。选用Silero VAD(INT8)、Whisper-small(INT8)、Phi-3-mini(INT4)和VITS-Chinese(INT8)等优化模型，采用ONNX Runtime的QNN后端实现NPU加速。文章详细说明了系统架构、模型选型量化策略，并提供了Python实现框架，展示
2026-06-11 13:23:59
183
原创 骁龙X2 Elite边缘AI应用开发实战(2): 实时视觉AI应用开发
摘要： 本文详细介绍了在骁龙X2 Elite平台上部署实时目标检测（YOLOv8n）+语义分割模型的完整流程。通过QNN SDK和ONNX Runtime实现NPU加速，支持1080P@30fps输入，端到端延迟<33ms。关键步骤包括：环境配置（QNN EP、OpenCV）、模型导出与INT8量化（静态校准+QNN工具链优化），以及基于多线程的CPU-NPU协同流水线设计（预处理线程池+NPU推理+后处理）。
2026-06-11 13:07:06
177
原创 骁龙X2 Elite边缘AI应用开发实战(1): 软件栈与开发环境搭建
Snapdragon X2 Elite NPU开发环境搭建指南 本文详细介绍了高通X2 Elite芯片的AI开发生态系统搭建步骤，重点涵盖： 软件栈架构：展示从应用层到Hexagon NPU的完整技术栈 QNN SDK v3.0新特性：支持INT4量化、模型并行、Transformer加速等 Windows 24H2深度优化：Copilot Runtime 2.0、DirectML 1.14等AI专属优化 环境配置： 必须使用ARM64原生Python 提供自动化PowerShell配置脚本
2026-06-11 12:54:41
399
原创 高通HLOS与TrustZone通信的框架演进(5): QSEECOM vs SMCInvoke深度对比
本文对比了SMCInvoke与QSEECOM两代TEE框架的核心差异，从通信模型、安全机制到迁移方案进行全面分析。SMCInvoke通过Object引用、IClientEnv身份凭证、Hypervisor审查等设计显著提升了安全性，支持方法级权限控制与类型安全验证。针对现有QSEECOM应用，高通提供兼容层方案（libQSEEComCompat.so），无需修改业务代码即可平滑迁移至新架构。文中通过通信流程示意图和代码示例，展示了从IClientEnv获取到TA调用的完整工作链路，体现了新框架在安全性和可扩
2026-06-04 12:29:59
411
1
原创 高通HLOS与TrustZone通信的框架演进(4): MINK微内核与SMCInvoke面向对象的TrustZone通信架构
SMCInvoke 是高通设计的下一代安全通信框架，旨在解决 QSEECOM 的架构缺陷。其核心基于 MINK 微内核的 Object-Capability 模型，通过对象化 IPC 机制实现安全跨域通信。MINK 采用代理链设计（Outbound Proxy → Kernel → Inbound Proxy）处理跨域调用，所有对象引用均具备不可伪造、即引用即授权等安全属性。SMCInvoke 将该模型扩展至 HLOS/TZ 跨世界通信场景，并引入 Hypervisor 层进行安全审查，形成包含用户态组件、
2026-06-04 12:02:34
353
原创 高通HLOS与TrustZone通信的框架演进(3): QSEECOM的设计与安全分析
本文分析了高通QSEECOM通信框架的固有局限及其安全影响。QSEECOM基于SMC指令和共享内存机制实现HLOS与TZ间的通信，存在以下主要问题：(1)扁平通信模型缺乏接口定义语言(IDL)，易导致协议不一致；(2)缺少细粒度对象模型和能力系统；(3)无法传递调用者身份信息；(4)共享内存机制带来机密性和完整性风险；(5)可扩展性不足；(6)不支持Hypervisor虚拟化环境。这些问题在后续SMCInvoke框架中通过引入MINK IDL、对象能力模型、IClientEnv身份传递等机制得到系统性改进。
2026-06-04 11:28:53
397
原创 高通HLOS与TrustZone通信的框架演进(2): Android Gatekeeper密码验证完整通信链路
本文以Android Gatekeeper服务为例，详细阐述了QSEECOM在实际应用中的完整调用链路。Gatekeeper负责锁屏密码的注册和验证，其核心流程包含三个关键阶段：首先通过QSEECom启动Gatekeeper可信应用(TA)，包括签名验证和安全加载；随后构建验证请求，通过共享内存机制与TA交互完成密码验证并生成AuthToken；最后在验证完成后卸载TA。整个调用链跨越Android框架层、HAL层、内核驱动层和安全世界，涉及Binder、HIDL、动态库加载、ioctl和SMC等多种技术。
2026-06-04 11:08:44
375
原创 高通HLOS与TrustZone通信的框架演进(1): ARM TrustZone通信基石与QSEECOM架构详解
文章摘要： ARM TrustZone技术通过硬件隔离Secure World（运行QTEE安全环境）和Normal World（运行Linux/Android）。二者通信需依赖SMC指令和Secure Monitor仲裁。高通QSEECOM框架实现了端到端的安全通信，包含用户态API、内核驱动和共享内存机制。它支持Client（主动调用TA服务）和Listener（被动处理TA请求）双角色模型，通过ioctl和SMC指令穿越世界边界，利用共享内存或ION零拷贝传递数据。关键API包括TA启停、命令发送及监
2026-06-04 10:54:49
612
原创 高通跃龙IQ-9100平台的极限压力测试(2): AI推理叠加与极限状态稳定性验证
本文研究了多路4K HEVC解码与YOLOv8推理叠加的性能测试方法。通过设计解码与推理的流水线衔接规则，监测帧率、延迟及CPU/GPU/NPU负载，分析内存压力与OOM行为，并进行72小时长稳测试和故障注入实验。测试结果表明，解码与推理的资源竞争会导致性能瓶颈，需根据实际场景调整优先级。文中提供了详细的测试脚本、数据记录格式和选型建议，强调测试结论必须基于可复现的CSV数据和命令，为边缘计算设备的性能评估提供了系统化方法。
2026-05-28 11:06:14
410
原创 高通跃龙IQ-9100平台的极限压力测试(1): 测试方案设计与多路4K视频解码压测
本文提出了一套针对高通跃龙IQ-9100平台的多路4K HEVC解码极限压力测试方案。通过设计三维测试矩阵（路数、分辨率、编码格式），采用GStreamer与FFmpeg双工具验证，重点监控帧率偏差、丢帧率、温度及降频等关键指标。测试环境强调可复现性，包括硬件配置、散热方案和供电监控。测试结果显示，解码性能上限受解码实例数、内存带宽和温度等多因素制约，需通过分辨率降级等实验区分瓶颈类型。最终形成包含工况、瓶颈类型等关键数据的汇总表，为后续叠加AI推理测试奠定基础。
2026-05-28 10:56:42
444
原创 在高通跃龙IQ-9100平台上部署RAGflow(2): 模型部署、配置验证与调优
本文详细介绍了如何部署Embedding和Rerank模型服务以支持RAGflow系统。首先通过HuggingFace下载BGE/BEC模型，转换为ONNX格式并编译为适配Qualcomm NPU的IQ-9100格式。随后分别搭建兼容OpenAI API的推理服务：Embedding服务基于FastAPI实现文本向量化，支持NPU加速；Rerank服务提供文档重排序功能。文中包含完整的模型下载、格式转换、服务部署代码，特别针对Hexagon NPU进行了优化配置，为后续RAG系统验证调优奠定基础。（
2026-05-27 20:28:25
388
原创 在高通跃龙IQ-9100平台上部署RAGflow(1): 系统架构与环境准备
本文介绍了如何在高通跃龙IQ-9100 AI推理设备上部署开源RAG引擎RAGflow，构建本地化隐私安全的智能问答系统。系统采用四层架构，利用IQ-9100的Hexagon NPU加速Embedding和Rerank模型推理，显著提升性能并降低功耗。部署流程包括环境准备、基础服务安装、模型服务配置等步骤，支持BGE等主流模型通过ONNX Runtime在NPU上高效运行。该方案特别适合需要数据不出局域网的边缘计算场景，完整实现文档解析、智能分块、多路检索到生成的全流程NPU加速。
2026-05-27 20:21:31
720
原创 在骁龙 X2 Elite 上安装 Hermes Agent(3): 进阶配置与玩法
高通骁龙 X2 Elite 的 18 核 Oryon CPU + 85 TOPS Hexagon NPU + 超低功耗设计，让它成为运行 AI 智能体的理想移动平台。Hermes Agent 作为一个自我进化、多模型、多平台的开源智能体框架，与 X2 Elite 的 ARM64 原生环境完美搭配——无论是本地 AI 推理、远程智能体服务，还是无人值守的自动化工作流，都能在一台轻薄本上高效完成。
2026-05-21 11:36:15
379
原创 在骁龙 X2 Elite 上安装 Hermes Agent(2): 一键脚本从零安装 Hermes Agent
我们将基于骁龙X2 Elite平台安装Hermes Agent，本文正式进入安装环节，使用官方一键脚本完成部署，并通过 hermes doctor 验证环境，最后启动交互式 CLI 体验第一个智能体示例。
2026-05-21 11:29:36
299
原创 在骁龙 X2 Elite 上安装 Hermes Agent(1): 硬件规格和安装准备
在高通骁龙 Snapdragon X2 Elite 上安装 Hermes Agent是RM AI PC 的智能体新范式。
2026-05-21 11:21:16
481
原创 基于高通跃龙IQ-9100端侧多模态大模型赋能具身智能交互系统(2): LLM任务规划、语音交互与系统集成
摘要 本文详细介绍了基于Llama 2 7B的任务规划引擎实现，包含： 任务分解与规划：通过LLM将自然语言指令转换为结构化JSON任务链 多模态集成：支持语音交互（Whisper ASR + TTS）和视觉查询（VLM） 技能执行框架：定义9种原子技能（导航/抓取/搜索等）及其执行逻辑 容错机制：支持3次重试和规则回退方案 完整示例：演示"去厨房拿水"的端到端执行流程（45秒闭环） 核心代码展示了NPU加速的LLM推理、任务状态机实现和技能调度逻辑。
2026-05-21 09:30:00
437
原创 基于高通跃龙IQ-9100端侧多模态大模型赋能具身智能交互系统(1): 从场景理解到VLM部署
摘要： 本文探讨如何通过端侧多模态大模型赋予机器人“理解”人类意图的能力，基于高通跃龙IQ-9100平台（100 TOPS NPU）部署视觉语言模型（VLM），实现场景理解与任务分解。传统机器人依赖预编程规则，而具身智能体通过大模型（如Llama 2 7B）自主解析复杂指令，结合导航、抓取等底层技能完成任务。端侧部署在延迟、隐私和可靠性上优于云端方案。系统架构涵盖多模态输入、VLM场景理解、LLM任务规划及技能执行层，为后续语音交互与系统集成奠定基础。
2026-05-21 09:15:00
430
原创 基于高通跃龙IQ-9100打造具身智能机器人视觉引导抓取系统(2): 手眼标定、MoveIt 2运动规划与系统总结
本文提出了一种基于Eye-in-Hand手眼标定和MoveIt 2运动规划的机器人抓取系统。首先采用AX=XB模型完成相机到机械臂末端的手眼标定，通过采集15-20个不同位姿的标定板数据求解变换矩阵。随后基于MoveIt 2开发了状态机驱动的抓取管理器，实现预抓取、精确抓取、提升和返回等完整动作序列。系统通过协调视觉检测、运动规划和夹爪控制，实现了高效的物体抓取操作。实验结果表明该方法能有效完成手眼标定并实现稳定的抓取流程。
2026-05-14 10:31:11
429
原创 基于高通跃龙IQ-9100打造具身智能机器人视觉引导抓取系统(1): 系统架构、NPU目标检测与抓取姿态估计
本文基于高通跃龙IQ-9100工业机器人平台，开发了一套完整的视觉引导抓取系统。系统采用"眼-手"协作架构，利用NPU加速的YOLOv8n-seg模型实现目标检测与实例分割，结合深度图进行抓取姿态估计。通过手眼标定建立视觉与机械臂的坐标映射，使用MoveIt2进行运动规划和碰撞避免，最终通过CAN-FD接口驱动6-DOF机械臂完成精准抓取。文章详细介绍了系统架构、硬件配置及基于NPU的视觉感知实现方法，为具身智能机器人提供了实用的操作解决方案。
2026-05-14 10:17:28
444
原创 骁龙X2 Elite解析(2): 完整规格参数一览
骁龙X2 Elite系列是高通2026年推出的第二代ARM架构PC处理器，采用3nm工艺，最高18核设计，CPU频率达5.0GHz，NPU算力提升至80-85 TOPS。该系列包含7个SKU型号，旗舰款X2E-96-100具备228GB/s内存带宽和53MB缓存，GPU性能较上代提升130%。主要面向高端Windows轻薄本，支持5G、Wi-Fi7等先进连接技术，兼容x86/x64程序模拟运行。目前已由华硕、惠普等品牌量产上市，定位从极致便携到高性能全覆盖。
2026-05-12 09:15:00
784
原创 骁龙X2 Elite解析(1): 技术架构与性能解析
高通发布第二代PC处理器骁龙X2 Elite系列，采用台积电3nm工艺和18核三集群CPU架构，性能较前代提升39%-50%。搭载Adreno X2 GPU支持光追，性能提升130%，游戏兼容率达90%。Hexagon NPU提供80 TOPS AI算力，满足Copilot+ PC需求。能效表现突出，相同功耗下性能提升31%。2026年4月起，华硕、联想等品牌已推出多款搭载该芯片的轻薄本，覆盖不同价位。骁龙X2 Elite在性能、能效和AI能力上的突破，推动了Windows on ARM生态的发展。
2026-05-11 11:19:08
664
原创 基于高通跃龙IQ-9100打造具身智能机器人视觉SLAM与自主导航系统(3): 建图导航实战与鲁棒性保障
摘要： 本文介绍了Nav2导航系统的实战部署流程，包含三大核心模块：1）使用Cartographer进行SLAM建图，提供完整的建图脚本和地图保存方法；2）集成导航系统启动配置，融合EKF定位、Nav2导航栈和AI动态障碍物检测；3）通过Nav2 SimpleCommander API实现单点导航与多点巡逻功能。特别设计了定位失效恢复策略，包括EKF重初始化机制和定位质量监控模块，确保系统长期稳定运行。在IQ-9100平台上可实现厘米级定位精度和动态障碍物实时避障，为机器人自主导航提供了完整的解决方案。
2026-05-07 11:59:41
425
原创 基于高通跃龙IQ-9100打造具身智能机器人视觉SLAM与自主导航系统(2): Nav2导航栈与NPU动态避障
本文摘要： 本文深入配置了Nav2导航栈，针对IQ-9100室内机器人优化了AMCL定位、MPPI控制器和SmacPlanner规划器等核心组件参数。配置重点包括：AMCL粒子滤波参数优化，MPPI控制器的多目标评价体系（包含9种critics），以及SmacPlanner混合A*算法的路径规划参数。通过动态障碍物检测与轨迹预测注入代价地图，实现了具有预见性的动态避障能力。配置参数覆盖了从定位精度、运动控制到路径规划的完整导航链路，为室内移动机器人提供了鲁棒的自主导航解决方案。
2026-05-07 11:51:43
279
原创 基于高通跃龙IQ-9100打造具身智能机器人视觉SLAM与自主导航系统(1): 系统架构与SLAM配置
本文基于高通跃龙IQ-9100平台，构建具身智能机器人的多传感器融合导航系统。系统采用分层架构设计，包含感知层（多摄像头+LiDAR）、SLAM定位层（Cartographer激光SLAM+视觉里程计）、Nav2导航栈和底盘控制层。重点介绍了SLAM方案选型对比，优化了Cartographer的2D激光SLAM配置参数，并部署EKF多源融合定位算法，融合轮式里程计、视觉里程计和IMU数据。该系统实现了机器人定位、建图和自主导航的核心功能，为后续动态避障和行为规划奠定基础。（149字）
2026-05-07 11:45:30
474
原创 基于高通跃龙IQ-9100打造具身智能机器人多传感器融合感知系统(2): 融合、理解、控制与优化
本文介绍了具身智能机器人开发中传感器融合、任务理解、运动控制等核心功能的实现。通过多传感器（摄像头、LiDAR、IMU等）数据融合构建3D场景表示，利用LLM理解自然语言指令，并结合实时控制算法实现安全移动。系统采用ROS2架构，包含感知层、融合层、决策层和执行层，通过性能调优确保20Hz实时响应。代码示例展示了传感器融合节点的实现，包括目标跟踪、坐标变换等关键功能。
2026-04-30 09:15:00
420
原创 基于高通跃龙IQ-9100打造具身智能机器人多传感器融合感知系统(1): 硬件选型与多摄像头AI感知
文章摘要 本文介绍了高通跃龙IQ-9100芯片在具身智能机器人中的应用方案。该芯片通过16路ISP接口和100TOPS NPU算力支持多路摄像头感知，采用双Tensor Processor架构实现并行推理，可同时处理6路摄像头输入并达到22fps的检测速度。系统采用分层设计：感知层运行YOLOv8s目标检测模型，理解层部署Llama 2 7B语言模型，决策层通过8核CPU实现实时路径规划，执行层则利用安全岛确保电机控制的实时性。
2026-04-30 09:00:00
471
Hetcompute image processing example (1).docx
2019-07-31
Hetcompute image processing example (2).docx
2019-07-31
6490平台上部署动作识别模型遇到如下问题
2026-03-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人