- 博客(903)
- 资源 (9)
- 收藏
- 关注
RSS订阅
原创 具身智能操作知识梳理与拓展
NPY: NumPy原生格式，存储单个数组或字典TFDS: TensorFlow Datasets格式，用于TensorFlow生态系统RLDS: Robotics Language-conditioned Dataset，机器人任务数据集HDF5: 分层数据格式，支持大型复杂结构化数据。
2025-04-23 13:54:52
6554
1
转载 强化学习的几个主要方法（策略梯度、PPO、REINFORCE实现等）---下
策略梯度算法在理想情况下，在采样次数足够多的情况下效果是能很不错的，但是当采样不够时就会出现一些问题，例如GtG_tGt的取值是很不稳定的，下图可以形象说明：由于GtG_tGt的取值不稳定，所以(st,at)(s_t, a_t)(st,at)更新也不稳定。由于GGG的值有点太不稳定太玄学了，因此我们可以想办法去用一个神经网络去预测在sss状态下采取行动aaa时对应的GGG期望值，之后再训练中我们就直接用这个期望值去替代采样的值。为了完成这个目的，我们可以使用基于价值的方法深度Q网络，深度Q网络有两种
2025-01-22 15:23:34
5526
转载 强化学习的几个主要方法（策略梯度、PPO、REINFORCE实现等）---上
策略梯度算法在理想情况下，在采样次数足够多的情况下效果是能很不错的，但是当采样不够时就会出现一些问题，例如GtG_tGt的取值是很不稳定的，下图可以形象说明：由于GtG_tGt的取值不稳定，所以(st,at)(s_t, a_t)(st,at)更新也不稳定。由于GGG的值有点太不稳定太玄学了，因此我们可以想办法去用一个神经网络去预测在sss状态下采取行动aaa时对应的GGG期望值，之后再训练中我们就直接用这个期望值去替代采样的值。为了完成这个目的，我们可以使用基于价值的方法深度Q网络，深度Q网络有两种
2025-01-22 15:21:31
5492
转载 看完这篇文章，我终于搞懂了 CMake，真香！(高级篇补充)
不要硬编码路径用相对路径，让用户通过文件会安装到和。更灵活，无需管理员权限，跨平台也好用！如果有一些头文件没有实现（比如接口、纯抽象类），可以用INTERFACE接口库（INTERFACE）用于配置一些公共的链接和编译选项，小型项目可能用得少，大型项目常见。CMake 是个强大的工具，但要用得好，还是需要一些技巧和经验。包管理和安装配置：重点是让你的库好用、易装。
2025-01-10 18:25:58
8002
转载 聊聊端到端自动驾驶通用感知架构的前世今生
这张图演示的是相关方法的演进。这其中大部分都是基于BEV的方法，上图就是BEV-based相关方法的相关演进, 用某种方式将图像视角特征转到BEV特征空间，也就是一个高度方向拍扁的自车3D坐标系空间下，再用一个检测的Head实现目标检测。BEV这张图的尺寸通常比较大，比如一般常见的论文里面会用128×128 size，但在实际中，我们甚至会用两倍大小的BEV特征图。从图像特征空间向BEV层空间转换过程，是一个非常密集的计算过程。
2024-10-23 10:33:10
5120
转载 空间坐标（系）如何进行变换？
要描述某一物体在现实场景的位置，通常以三维空间坐标系下的坐标进行说明，当物体位置或自身进行变化时，可以用放射变换说明物体的变化情况。根据现实情况，坐标系和物体可以相互描述，即二维平面坐标（系）变换的情况包括一个二维平面坐标系描述一个物体（坐标）变换情况和一个物体（坐标）在两个二维平面坐标系间的变换情况。根据现实情况，坐标系和物体可以相互描述，即三维空间坐标（系）变换的情况包括一个三维空间坐标系描述一个物体（坐标）变换情况和一个物体（坐标）在两个三维空间坐标系间的变换情况。[3] 你不来我不老.
2024-09-04 10:45:26
2420
原创 Clion 使用
默认情况下，CLion编译使用的CMake是其内置的一个版本，而使用这个版本的CMake进行编译时会报出一些莫名其妙的错误，命令行中catkin_make明明可以正常编译，而这里就是会失败。回到一开始的"Threads & Variables"窗口，左上角有一些控制按钮，从左到右依次是：Rerun（Ctrl+F5），Stop（Ctrl+F2），Resume（F9），Pause（暂时用不上），Step Over（F8），Step Into（F9），Step Out（Shift+F8）。
2024-08-31 16:21:38
11059
转载 IMU preintegration on manifold 学习笔记（一）
Posted on 2023-02-18 Edited on 2024-07-11 In vslam Views:ω∧=[ω_1ω_2ω_3]∧=[0−ω_3ω_2ω_30−ω_1−ω_2ω_10]=WW∨=[0−ω_3ω_2ω_30−ω_1−ω_2ω_10]∨=[ω_1ω_2ω_3]=ω\mathbf{\omega}^{\wedge}=\begin{bmatrix}\omega\_1\\ \omega\_2\\ \omega\_3\end{bmatrix}^{\wedge}=\begin{bmatrix}
2024-07-12 12:10:41
3747
原创 CMakeList整理大全
之前我们也整理过。但是这里面整理的内容其实是不全的。所以我们需要进一步将CMake的使用整理好。以供后面的学习的工程师来检索查询。
2024-04-29 14:41:26
19572
原创 C++ CPU程序占用率高问题排查
我们在之前介绍了使用Valgrind、perf、AddressSanitzer等工具来完成内存泄漏的检测，当然内存泄漏以外还有cpu的占用率变高这类问题。作者在这里提供几个方法来对C++程序中CPU程序占用率高问题排查。
2023-12-29 13:14:36
9145
转载 Linux中.a、.so和.o文件以及-I，-L，LIBRARY_PATH，LD_LIBRARY_PATH等
(3) 修改/etc/ld.so.conf文件，把库所在的路径加到文件末尾(直接写在文件末尾，不要在路径前加include)，并执行ldconfig刷新（ldconfig 命令的用途,主要是在默认搜寻目录(/lib和/usr/lib)以及动态库配置文件/etc/ld.so.conf内所列的目录下,搜索出可共享的动态链接库(格式如前介绍,lib*.so*),进而创建出动态装入程序(ld.so)所需的连接和缓存文件.缓存文件默认为/etc/ld.so.cache,此文件保存已排好序的动态链接库名字列表.）。
2023-08-16 17:14:24
3945
原创 SLAM本质剖析番外-李群李代数的微分和导数
这几个月，博主已经从SLAM算法的使用向着算法的数学推导进行了记录和分享，之前也分享了一文，从现象中解释了李群和李代数表达的含义。但是这还不够，所以这次作者作为SLAM本质剖析的番外，来介绍李群李代数的微分和导数。
2023-01-16 16:10:19
11512
2
转载 undefined symbol问题的查找、定位与解决方法
而这块可以看到fpdf_parse_encrypt是依赖于下边的fx_crypt文件的，再看静态库，fpdf_parse_encrypt被编译成fpdfapi.a，而fx_crypt被编译进pdrm.a静态库，所以应该是fpdfapi.a要依赖于pdrm.a静态库的。ldd命令，可以查看对应的可执行文件或库文件依赖哪些库，但可执行文件或库文件要求与操作系统的编译器类型相同，即电脑是X86的GCC编译器，那么无法通过ldd命令查看ARM交叉编译器编译出来的可执行文件或库文件。
2022-12-14 14:53:39
11346
4
原创 自动驾驶-激光雷达预处理/特征提取
激光雷达作为自动驾驶最常用的传感器，经常需要使用激光雷达来做建图、定位和感知等任务。而这时候使用降低点云规模的预处理方法，可以能够去除无关区域的点以及降低点云规模。并能够给后续的PCL点云分割带来有效的收益。
2022-08-24 21:12:44
5071
2
原创 C++之生成器(builder)模式
0. 简介生成器是一种创建型设计模式， 当构建一个复杂对象时，将构建过程与表示分离。使得同样的过程创建不同的对象。生成器与其他创建型模式不同， 生成器不要求产品拥有通用接口。 这使得用相同的创建过程生成不同的产品成为可能。生成器方法通常支持方法链 （例如 someBuilder->setValueA(1)->setValueB(2)->create() ），来组成复杂的对象。相比于工厂模式专门用于生产一系列相关对象而言，生成器重点关注如何分步生成复杂对象。1. 生成器UML介绍生
2022-03-07 10:38:52
9739
4
原创 C++命名规则&书写规范
常见命名法：匈牙利命名法：基本原则是：变量名＝属性＋类型＋对象描述\color{blue}{变量名＝属性＋类型＋对象描述}变量名＝属性＋类型＋对象描述，其中每一对象的名称都要求有明确含义，可以取对象名字全称或名字的一部分。命名要基于容易记忆容易理解的原则。保证名字的连贯性是非常重要的。Camel命名法：即骆驼式命名法，原因是采用该命名法的名称看起来就像骆驼的驼峰一样高低起伏。Camel命名法有两种形式：混合使用大小写字母和单词之间加下划线\color{blue}{混合使用大小写字母和单词之间加下划线}混
2021-05-12 10:42:19
6177
2
原创 经典文献阅读之--UniScene(统一的以占用为中心的驾驶场景生成)
本文提出UniScene，首个统一生成驾驶场景中语义占用、视频和激光雷达数据的框架。UniScene采用层次化生成范式：首先基于BEV布局生成语义占用作为中间表示，再通过两种创新策略（基于高斯的联合渲染和先验引导的稀疏建模）分别生成视频和激光雷达数据。实验表明，该方法在各项任务中均优于现有技术，且生成的数据能显著提升下游任务性能。UniScene实现了对复杂驾驶场景的高保真、可控生成，为自动驾驶数据合成提供了新思路。
2025-10-22 14:15:13
557
原创 Paper2Code----无痛从科学论文到代码实现
【摘要】韩国科学技术院与DeepAuto.ai联合开发的Paper2Code框架采用多Agent大语言模型技术，实现了从机器学习论文到可运行代码的自动化转换。该框架通过规划、分析和代码生成三阶段流程，解决了科研复现难题（仅21%论文提供完整代码）。实验表明，其生成代码在ICML等顶会论文上正确性得分达3.7-4.7分，77%用户认为最适合复现研究，代码修改率仅0.48%。Paper2Code显著提升了科研效率，支持快速安装使用（OpenAI API调用），为科研自动化提供了创新解决方案。
2025-10-15 18:38:07
719
原创 robot_lab之robot_lab篇------issac lab时代适合四足的强化学习框架
机器人强化学习控制框架摘要 本文介绍了一个基于Isaac Lab的机器人强化学习扩展库robot_lab，主要用于训练四足、轮式和人形机器人的运动控制能力。项目采用模块化设计，包含场景配置、MDP组件(奖励函数、命令生成、观察空间等)、课程学习和强化学习算法配置。核心功能包括： 环境配置：支持平坦/粗糙地形，可配置物理属性和视觉材料 奖励机制：包含速度跟踪、步态优化、姿态稳定等多目标奖励函数 训练流程：提供PPO算法配置和课程学习策略，支持从简单到复杂的渐进式训练 机器人支持：特别针对Unitree B2W
2025-10-15 18:37:42
1080
原创 BEV感知实战记录
本文介绍了BEV（鸟瞰视角）下的多传感器融合方法，重点分析了三种主流投影技术：IPM、LSS和BevFormer。IPM通过逆透视变换消除透视畸变，适合动态场景但复杂场景精度有限；LSS通过线段分割保留几何信息，适用于结构化环境；BevFormer结合深度学习与多传感器数据，精度高但计算复杂。文章还梳理了LSS方法的发展脉络，包括CaDNN、BEVDET系列、M2BEV、BEVFusion和FastBEV等技术，并简要提及了DETR3D和PETR等基于Transformer的检测方法。最后介绍了Nuscen
2025-10-15 18:37:21
1830
原创 机器人开源项目分类与rsl-rl学习指南
具身智能与机器人控制学习路线 本文梳理了机器人控制领域的学习资源与项目，重点介绍了四足机器人、轮腿机器人和人形机器人三大类别的典型项目。基于强化学习和MPC的控制方法，推荐了从入门到高级的学习路径，包括： 四足机器人：推荐rl-mpc-locomotion和ABS项目作为入门 轮腿机器人：Wheel-Legged-Gym适合初学者 人形机器人：humanoid-gym和FLD项目适合进阶学习 特别强调rsl_rl框架的核心地位，分析了智元x1项目的代码结构，详细解读了其ActorCriticDH强化学习算法
2025-10-15 18:37:00
1118
原创 robot_lab之scripts篇------issac lab时代适合四足的强化学习框架
摘要 robot_lab是一个基于IsaacLab的机器人强化学习扩展库，提供独立开发环境。核心功能包括： 模块化架构： 支持多种机器人类型（四足/轮式/人形） 包含完整的MDP组件（奖励函数、命令生成、观测空间等） 提供课程学习机制 主要特性： 内置Unitree和FFTAI系列机器人配置 集成AMP工具和RSL RL框架 支持实时控制演示和模型导出 优势： 独立于IsaacLab核心代码库开发 提供丰富的强化学习训练组件 包含实用工具脚本（URDF转换、批量训练等） 该库适用于机器人运动控制研究，特别适
2025-10-15 18:36:35
1023
原创 具身智能控制: MPC、WBC与RL的融合与发展
仿人机器人与具身智能控制技术综述 仿人机器人结合AI、计算机视觉等技术实现自然交互，但运动控制仍面临挑战。具身智能强调通过物理身体与环境互动发展智能，其核心特征包括身体性、情境性和自主性。双足机器人控制涉及动力学复杂性、步态切换、平衡维持等难题，需解决非线性耦合系统的高自由度控制问题。主流算法包括： 倒立摆+ZMP模型：简化质心动力学，通过零力矩点保持稳定，但步态受限； SLIP模型：模拟弹簧腿动态，实现高效跳跃行走，适用于简单结构； HZD方法：利用非线性控制理论生成稳定周期性步态，计算复杂； 全身控制(
2025-10-15 18:36:13
1079
原创 VLA: 从具身智能到自动驾驶的关键桥梁
摘要： 具身智能与自动驾驶共享相似的VLA（Vision-Language-Action）架构，均通过"感知-行动回路"实现环境交互。VLA技术源于机器人领域（如谷歌RT-2），通过多模态大模型将视觉理解映射为物理动作。自动驾驶因控制自由度较低（6DOF），其实现较机器人（35DOF）更简单。当前机器人VLA系统（如OpenVLA、Figure.AI的Helix）趋向快慢双系统设计，兼顾语义理解与实时控制。特斯拉等企业已尝试将VLA应用于端到端自动驾驶，但面临实时性、安全性等挑战。VLA
2025-10-15 18:35:47
1371
原创 波士顿动力VLFM：零样本语义导航技术的应用与实践
波士顿动力公司的VLFM技术为机器人零样本物体导航提供了创新解决方案。该技术结合视觉-语言模型和边界探索方法，无需环境特定训练即可在陌生环境中导航。VLFM通过三个核心组件实现功能：边界地图生成器构建环境占用地图，价值地图生成器利用BLIP-2模型评估语义价值，导航决策系统规划最优路径。使用前需配置环境、下载模型权重并启动服务，支持在模拟和真实环境中执行导航任务。其关键技术包括边界航点生成、价值地图投影和视觉-语言语义匹配，通过目标检测与PointNav策略实现最终导航。该技术在家庭服务、救援等领域具有广泛
2025-10-15 18:35:15
1692
原创 从SLAM到VLN：探索智能导航的演进与融合
因为现在大模型的爆发，空间智能的重要性在机器人导航和人机交互中尤为突出，如李飞飞教授所述：“空间智能是人工智能发展的关键领域之一，海量AI系统理解和处理时间和空间中的信息能力，对机器人和智能系统而言，这种能力至关重要，因为真实世界中的任务常伴随时空上的变化。语义SLAM将语义信息融入到传统SLAM中，一方面促进传统SLAM各模块的性能，更重要的在于提升SLAM的场景理解能力，使其具备了再次应用于走位和如何测量，而作为能用于高级任务的"时空感知与智能认知"基础模块。时空智能作为智能导航的核心基础。
2025-10-15 18:34:57
1386
原创 视觉语言导航的新突破：NaVILA框架详解与实现
NaVILA框架创新性地结合了视觉语言模型与运动控制系统，为腿式机器人提供高效的视觉语言导航能力。该框架采用两级架构：高层视觉语言模型处理自然语言指令和视觉输入，生成高层次动作指令；低层运动控制策略将这些指令转换为精确的关节控制命令。NaVILA通过特殊设计的导航提示、从人类视频中学习的方法，以及单阶段强化学习训练，显著提升了机器人在复杂环境中的导航性能。该框架已开源，支持多种机器人平台，在模拟和真实环境中均展现出优越的导航能力。
2025-10-15 18:33:48
1330
原创 OpenEMMA-----全新端到端自动驾驶大模型
本文介绍了一种基于多模态大语言模型(MLLMs)的开源端到端自动驾驶框架OpenEMMA。该框架通过整合思维链推理过程，利用历史驾驶数据和视觉场景输入，生成人类可理解的中间表示（速度和曲率向量），进而预测未来轨迹。与现有端到端方法相比，OpenEMMA采用更高效的计算方式，并针对MLLMs在目标检测方面的不足，集成了优化的YOLO3D模型进行3D边界框预测。实验表明，OpenEMMA在nuScenes数据集上展现了良好的轨迹规划能力，同时保持了代码开源性和模型可扩展性，为自动驾驶研究提供了新的解决方案。
2025-10-15 18:33:13
1531
原创 AutoWare底盘通信全解（三）
Autoware采用Ackermann运动学模型进行车辆控制，该模型通过统一的车轮转向中心点减少轮胎磨损。文章介绍了多种移动机器人运动学模型，包括两轮差速、Ackermann模型、四轮驱动等，详细阐述了各模型的正逆运动学方程及其应用场景。运动学模型准确描述了轮子转动与机身运动的关系，为工程师提供了控制机器人运动的数学基础。不同模型适用于不同移动平台，如差速驱动适用于小型机器人，Ackermann模型适用于汽车式转向。
2025-09-23 09:21:17
1596
原创 UnifoLM-WMA-0：机器人学习领域的世界模型-行动架构技术深度解析
文章摘要 宇树科技开源了UnifoLM-WMA-0框架，这是一个创新的世界模型-行动架构，专为机器人学习设计。该框架采用双模式运行机制：既能作为仿真引擎预测环境变化生成训练数据，又能作为策略增强模块优化决策性能。其核心是基于扩散模型和Transformer的架构，融合了时空注意力机制，在Z1机械臂等多个平台上表现优异。技术亮点包括世界模型骨干网络、动作预测头和状态预测头的紧密耦合，以及创新的条件生成机制，实现了机器人视觉感知、物理建模和行为规划的统一。GitHub仓库已开放。
2025-09-23 09:20:09
2699
原创 ApexNav：自适应探索策略与目标中心语义融合的零样本目标导航框架
本文提出ApexNav，一种用于零样本目标导航的自适应探索策略，通过目标中心语义融合解决现有方法的局限性。针对语义依赖不足、模糊等问题，ApexNav创新性地整合了前沿地图、语义分数地图和有符号距离场地图，实现鲁棒导航。核心贡献包括：1）目标中心语义融合框架，增强语义推理可靠性；2）自适应探索策略，平衡语义引导与广度搜索；3）多模态环境建图系统。实验表明，ApexNav在仿真和真实环境中均显著优于现有方法，成功率提升15-20%，路径效率提高30%。该工作为零样本目标导航提供了新思路，代码已开源。
2025-09-23 09:19:40
1621
原创 Claude Code 进阶指南：从基础到专家级实践
摘要 Claude Code是Anthropic公司开发的AI编码助手，2025年通过集成Claude 4 Opus等模型实现多代理协作和自动化工作流。其核心优势在于终端集成性，通过命令行无缝融合现有工具，处理大型代码库时效率提升3-5倍。最新功能包括Microcompact优化上下文管理、PDF解析和Hooks机制，支持事件驱动的自动化扩展。子代理模式允许创建专属AI助手处理特定任务，保持独立上下文和权限隔离，通过/agents命令配置。实际应用显示，Claude Code能显著提升开发效率，尤其适合复杂
2025-09-23 09:19:15
2261
原创 强化学习与SERL系列深度解析：从理论到实践的全面探索
强化学习作为人工智能领域的重要分支，近年来在机器人操作、游戏AI、自动驾驶等领域取得了突破性进展。特别是在机器人操作领域，从传统的仿真训练到真实世界的直接学习，强化学习技术正在经历着革命性的变革。本文将从基础理论出发，深入探讨强化学习的最新发展，特别是SERL系列框架在真实世界机器人操作中的应用。在现实世界里，要实现高性能的操作并达到高可靠性，对于每一个环境来说，最通用、最具扩展性的办法必然是强化学习。而且它并非是一种被动的数据学习，不是简单地去收集一些离线数据就可以了。如果想要达到100%的可靠性，那就一
2025-09-23 09:18:52
1738
原创 AI编程Claude Code思想技巧：从认知误区到实践精进
AI时代开发者的思维转型与技能升级 当前AI编程工具如Claude Code、GitHub Copilot等正在深刻改变软件开发方式。本文分析了开发者常见的三个认知误区：技术完美主义、线性思维局限和工具依赖症，指出这些思维模式阻碍了对AI编程价值的正确认识。文章提出"反求诸己"的哲学思想，强调开发者应调整心态，承认AI的技术优势，将精力转向更高层次的设计与架构工作。同时提供了与Claude Code协作的实用技巧，包括需求文档化、渐进式开发和可视化交流等方法。最后介绍了Serena等下一
2025-09-23 09:18:10
1779
原创 Rolling-Bonxai滚动更新地图技术详解
Rolling-Bonxai：面向大规模环境的动态体素地图管理方案 本文提出了一种基于分块存储的稀疏体素地图管理系统Rolling-Bonxai，旨在解决机器人导航中大规模环境地图构建的内存与效率问题。该系统通过结合分层稀疏体素结构和动态分块机制，实现了27块固定缓存的滚动更新策略，确保机器人周围区域的地图数据始终在内存中。核心创新包括：1）采用Bonxai分层体素网格实现高效空间表达；2）设计基于邻域关系的块缓存动态更新算法；3）集成异步IO线程池实现非阻塞的磁盘持久化。实验表明，该系统在保持实时性的同时
2025-09-23 09:16:59
1780
原创 equivariant-preintegration(伽利略群方法的IMU预积分)详细推导
本文提出了一种基于等变理论的IMU预积分新方法，通过在伽利略群Gal(3)的切空间Gal(3)⋉gal(3)上建立离散时间公式，实现了导航状态与IMU偏差的几何耦合。相比传统方法将偏差视为独立状态，该方法通过定义等变误差降低了线性化误差，提高了估计一致性。作者在仿真和真实IMU数据（包括EuRoC MAV数据集）上验证了该方法的优越性，并开源了实现代码。主要贡献包括：1）推导了考虑IMU偏差对称性的离散时间等变预积分公式；2）通过与现有方法的对比实验验证了性能优势；3）在Lie++库中实现了相关算法。
2025-09-23 09:16:18
1381
原创 Libero数据集转换LeRobot格式技术指南
Libero数据集转换指南 本文介绍了如何将Libero机器人操作数据集转换为LeRobot格式，以便在LeRobot框架中进行机器人学习和研究。主要特点包括： 双格式支持：转换器同时支持RLDS和HDF5两种格式的Libero数据集 自动检测：内置格式检测器可自动识别输入数据格式 标准化输出：将不同来源的数据统一转换为LeRobot标准格式 模块化架构：采用HDF5处理器和RLDS处理器分别处理不同格式数据 完整数据保留：确保转换过程中不丢失任何有效信息 转换后的数据可直接用于LeRobot框架中的模仿学
2025-09-23 09:15:25
2081
转载 IsaacLab入门：SO-ARM100抓取任务训练代码解读
本文深入解析了IsaacLab中SO-ARM100机械臂的代码实现与任务配置。首先回顾了train.py主脚本流程的变化，重点分析了机械臂通过USD文件定义物理属性与Python代码配置仿真行为的双重机制。详细解读了抓取任务(Lift-Cube)的配置实现，包括场景搭建、任务目标生成以及训练/测试环境的差异设置。文章还对比了USD与URDF格式的异同，并提供了相关工具查看USD文件的方法。通过结合底层物理定义与上层任务配置，完整展现了如何在Isaac仿真环境中实现机械臂的强化学习任务。
2025-09-19 09:34:38
184
转载 Robotics部署 RL：陷阱、经验教训和实践
本文是得克萨斯大学奥斯汀分校的凯尔·摩根斯坦（Kyle Morgenstein）为Humanoid团队主持的网络研讨会文字实录。我们将其发布在博客上，旨在传播知识，推动人形机器人行业发展。请注意，文中所表达的观点和信息均为凯尔个人观点。得克萨斯大学奥斯汀分校 凯尔·摩根斯坦（Kyle Morgenstein）
2025-09-17 11:42:14
100
原创 C++ ROS中的Unix Domain Socket (UDS) 深度解析与实践
本文深入探讨了Unix Domain Socket(UDS)在ROS系统中的高效进程间通信实现。文章首先介绍了UDS的三种通信类型：SOCK_STREAM(可靠有序字节流)、SOCK_DGRAM(不可靠数据报)和SOCK_SEQPACKET(可靠有序数据报)，并分析了它们在ROS中的适用场景。随后通过C++代码详细展示了面向对象的UDS服务器实现，包括信号处理、套接字初始化、客户端连接管理和消息处理等关键环节。该实现采用SOCK_SEQPACKET类型，在保证消息可靠性的同时兼顾边界完整性，特别适合ROS节
2025-09-05 16:06:13
2313
1
ROS 导航功能调优指南∗.pdf
2022-01-07
小觅摄像头Opencv处理
2019-07-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人