登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一个基于STM32与深度学习的口罩佩戴检测系统设计。系统分为上位机(PC端)和下位机(STM32)两部分，通过WiFi通信实现数据传输。上位机使用深度学习模型进行实时口罩检测，准确率达97%，检测结果通过TCP传输至STM32。下位机系统包含主控、通信、显示和报警模块，能实时显示检测结果并在未佩戴口罩时触发蜂鸣器报警。硬件采用STM32F103RCT6开发板，配合ESP01S WiFi模
20 0 0 0;0 0 0 1;-1 0 0 0];B = [0;1;0;1];C = eye(4);单片机中使用 LQR，真正重要的是工程流程，而不是只会公式。1. 确定控制对象2. 选择状态变量3. 建立状态空间模型4. 选择控制周期 Ts5. 离散化 A、B 矩阵6. 设置 Q、R7. 计算 K8. 单片机周期运行 u = -Kx9. 加入限幅、滤波、保护10. 实物调试和参数优化所以不要
LQR 在单片机中的实现并没有想象中复杂。u = -Kx建立模型计算 K 矩阵选择 Q 和 R实物调试而单片机实时运行时，只需要做简单的乘法和加法。可以这样理解：PID 是根据误差进行控制。LQR 是根据多个状态综合控制。PID 更适合简单系统。LQR 更适合状态较多、耦合较强的系统。对于平衡车、倒立摆、机器人底盘、云台控制、电机控制等项目来说，LQR 是一个非常值得学习的控制算法。上位机负责计算
摘要传统嵌入式系统多采用“上位机+下位机”的分布式智能架构，而近年来以MimiClaw为代表的单芯片方案，成功将多模态感知、大模型推理与实时电机控制集成于一颗低成本MCU。本文从实时系统、推理框架及控制理论等维度，系统拆解这一闭环架构的软硬件协同设计，并探讨其工程边界与演进方向。
Mimiclaw 的硬件需求非常亲民，最低配置即可满足基础功能，整体成本控制在 25 元左右，具体要求如下：*- 芯片：ESP32-S3（核心器件，性价比首选）Flash：16 MB（用于存储程序、固件、记忆文件等）PSRAM：8 MB（支撑多轮对话上下文和传感器缓存）辅助配件：USB Type-C 数据线（用于烧录和供电）*选择 ESP32-S3 而非传统的 ESP32，核心原因有两点：一是其搭
架构上，从“分离式协同”到“一体化集成”：单芯片/异构SoC的应用，消除了板间通信延迟，降低了成本和功耗，为全链路闭环提供了物理支撑；技术上，从“单一感知”到“多模态融合”、从“简单控制”到“AI赋能”：多模态传感器融合让感知更全面，NPU和端侧大模型让决策更智能，高精度驱动让执行更精准；逻辑上，从“被动执行”到“自主进化”：分层决策架构兼顾实时性与智能性，元认知层让智能体具备自我学习、自我优化的
MQTT协议是专为物联网设计的轻量级发布/订阅协议，具有以下核心特点：1）采用发布/订阅模式，最小报文仅2字节；2）包含客户端和代理服务器两类角色；3）支持通配符主题订阅（单层+和多层#）；4）提供遗愿机制和三种QoS等级（0-2）；5）支持保留消息和会话管理。协议适用于智能家居等场景，通过心跳包保持连接，需确保客户端ID唯一性。MQTTX客户端使用需配置服务器地址、端口等五个参数，3.1.1版本
摘要： 本项目设计了一个基于STM32的人脸识别快递柜系统，包含硬件电路设计和上位机软件实现。系统通过摄像头采集人脸信息，利用OpenCV和Dlib等开源库进行人脸检测与识别，将结果通过WiFi传输至STM32控制器，实现柜门智能开关。硬件部分采用继电器模拟门禁，软件部分包含人脸录入、特征比对、远程通信等功能模块。项目创新性地将人脸识别技术与物联网结合，具有识别准确、响应快速的特点，为快递存取提供
DLL和SO是操作系统中的动态链接库，功能相同但系统不同：DLL用于Windows（.dll后缀），SO用于Linux/安卓（.so后缀）。它们实现代码复用、节省程序体积、便于升级和代码保护。核心差异在于系统兼容性：DLL依赖Windows环境，SO依赖Linux环境。开发时，Windows生成.dll，Linux生成.so；运行时缺少相应库文件会报错。动态库（.dll/.so）相比静态库（.li
本文基于自主开发的嵌入式 AI Agent 项目 MimiClaw（运行于 ESP32-S3 开发板），系统记录了整个开发周期中的架构设计、模块集成、典型故障及解决思路。MimiClaw 已实现多消息渠道接入（飞书、Telegram、WebSocket）、DeepSeek LLM 代理、博查搜索（联网检索工具）、技能系统、双电机差速驱动、WS2812 灯光控制、WiFi 配网与 OTA 预留等核心
当 AI 遇上嵌入式硬件，传统的“传感器→云端→执行”模式在实时性、功耗和隐私上暴露出明显短板。MimiClaw——一款基于ESP32-S3的双核开源机器人平台，给出了全新思路：将 AI 推理与运动控制物理分离，在微控制器上实现完整的智能闭环，让机器人即使断网也能自主决策。这里将深入解析 MimiClaw 的二次开发原理、全流程搭建、实战进阶阶段以及最易踩坑的十大难点。无论你是嵌入式开发者、AI爱
MCP73843-420I/MS是一款高精度线性充电管理芯片，采用MSOP-8封装，专为单节锂离子/聚合物电池设计。该芯片集成恒流恒压(CC/CV)充电算法，提供±0.5%的电压精度（4.2V），支持0.5A充电电流和4.5-12V输入电压。关键特性包括自动充电终止、0V电池激活、可编程安全定时器及0.25μA超低静态电流。其简洁的外围电路（仅需外部MOSFET和检流电阻）简化了设计，适用于便携设
本文详细介绍了Shell命令解释器的设计与实现，从基本原理到具体代码实现。Shell作为用户与操作系统内核交互的桥梁，负责解析和执行用户输入的命令。文章首先阐述了Shell的工作机制和Unix Shell的历史演变，然后逐步讲解了如何构建一个基础的Shell，包括输入处理、命令行解析、命令执行等核心模块。特别介绍了常用基础指令如reboot、cd、ls、cat和exec的实现原理，并深入探讨了系统
摘要：本章详细介绍了Shell命令解释器的设计与实现。Shell作为用户与操作系统内核交互的桥梁，其核心功能包括解析用户输入、执行内置命令和启动外部程序。文章首先阐述了Shell的历史演变，从最早的Thompson Shell到现代Bash、Zsh等。然后深入讲解了Shell的实现架构，包括输入处理、命令解析和执行模块。重点介绍了常用基础指令如reboot、cd、ls、cat和exec的实现原理，
系统调用API是用户程序与操作系统内核交互的桥梁，它通过封装底层硬件指令提供标准化的服务接口。本章详细解析了系统调用的实现机制，包括用户态与内核态的切换方式（如x86-64的syscall指令）、参数传递规范以及错误处理机制。重点构建了符合POSIX标准的三大核心功能：文件操作（open/read/write等）、进程管理（fork/execve/waitpid等）和内存管理（brk/mmap等）
这恰恰是当前AI的优势，它支持通过自然语言帮助用户实现与Linux的交互，天禧 AI Pro采用了“双生界面”，既保留了用户原有的传统 UI 操作习惯，也融入了AI能力，当用户需要协助时，在任何界面下只需“四指滑动”，即可快速唤醒AI搭档。在完全断网的环境里，天禧AI Pro在没有人工干预的情况下，通过底层文件浏览器精准调取了本地的历史文档，并在深度理解用户诉求后，自动跨应用唤醒本地文档处理软件，
物联网(Internet of things, IoT)就是物物相连的互联网，在智能家居、智慧城市等方面有广泛应用。这次，我从零开始搭建一个基于ESP32的智能花盆，相信读完本文，你也可以亲自实现一个物联网应用，无论是参加创客大赛还是物联网比赛，都先人一步！...
写字机核心需求是提升动态性能（如运行速度、定位精度、运动平稳性）并通过单片机实现可靠控制，选用STM32F103C8T6单片机作为主控单元，其具备高速运算能力与丰富外设接口，可满足写字机对实时控制与多模块协同的需求。系统整体分为运动控制、驱动执行、位置检测、人机交互四大模块：运动控制模块由单片机承担，负责生成精准的运动轨迹（如直线、曲线插补）；驱动执行模块采用步进电机与A4988驱动芯片，实现写字
本文设计了一套基于Android与单片机的智能家居系统，包含终端控制层、通信层、设备控制层与感知层四大架构单元。系统采用STM32F103ZET6单片机为核心控制器，搭配ESP8266 Wi-Fi模块和多种传感器实现环境监测与设备控制。软件部分包括Android端APP和单片机端程序，支持远程控制、场景模式及定时任务等功能。经测试，系统响应速度≤0.8秒，支持8台设备稳定运行，优化后解决了多设备控
AI8051U双核单片机突破性实现8位8051架构与32位运算能力的完美融合。这款国产芯片通过创新的寄存器级共享双核设计，让8位8051核心与32位硬件加速器无缝协作，运算效率较传统8051提升70倍，批量价格仅2.3元。其内置MDU32乘除单元和TFPU浮点运算单元，可单周期完成32位运算，在电机控制、工业HMI、音频处理等领域展现出强大应用潜力，尤其适合FOC无刷电机控制等高性能场景。AI80
本文摘要：计算机体系结构与并行编程学习指南包含三大核心内容：1）计算机体系结构基础（CPU/GPU架构、缓存层次、内存系统）；2）C++/Python编程基础（面向对象、内存管理）；3）CUDA并行编程（线程模型、内存优化）。推荐学习资料包括《Computer Architecture: A Quantitative Approach》、《C++ Primer》、NVIDIA官方文档等，并建议通过
ESP32接入大模型，核心是“扬长避短”——不纠结于让ESP32运行完整大模型，而是利用它的联网能力和外设控制能力，搭配云端API或轻量化本地模型，实现智能交互。对于新手，优先尝试“API调用”方案，10分钟就能走通全流程，体验ESP32+大模型的乐趣；对于有进阶需求的朋友，再尝试本地部署轻量级模型，实现离线智能。后续我会继续更新进阶内容，比如ESP32结合语音模块（如LD3320），实现“语音提
这篇文章介绍了一个基于STM32和深度学习的口罩佩戴检测系统设计。系统分为上位机和下位机两部分：上位机通过深度学习模型检测口罩佩戴情况，准确率达97%；下位机以STM32为核心，接收检测结果并控制显示和报警模块。硬件包括STM32开发板、WiFi模块、显示屏和蜂鸣器等组件。系统采用TCP通信实现数据传输，当检测到未佩戴口罩时会触发声光报警。项目提供了完整的设计方案，包括硬件原理图、软件流程、深度学
本文介绍了计算机系统中堆和栈的基本概念及其在ARM架构下的应用。堆是动态分配的内存空间，需要手动管理分配和释放；栈由CPU自动管理，用于函数调用和局部变量存储。在ARM RISC架构中，通过SP、LR、PC等寄存器实现栈操作。文章还解析了C语言函数的反汇编代码，展示了栈在函数调用中的具体应用。最后，阐述了FreeRTOS操作系统如何利用堆栈实现任务管理、上下文切换和溢出检测，并介绍了其提供的5种堆
x86示例代码如下，需要注意的是编译器如果发现 OriginalHelloWorldFunction 内容很短，且在同一个文件里，它在编译 main 函数时，将不会去执行 CALL 指令，而是直接把那句 printf 的内容复制到了 main 里面。：如果你还想让原程序继续运行，就在执行完你的逻辑后，先执行备份的原始指令，再跳回目标函数的后续位置。：0x00401050 - 0x00401000
JSON-RPC TCP Server 实战指南 本文基于jsonrpc-cpp开源库，详细介绍了如何搭建JSON-RPC TCP服务端。主要内容包括： 项目简介：使用Jsoncpp+socket封装的TcpServer类 核心实现： 主函数监听8086端口 通过AddMethod注册RPC方法 WaitMessage驱动消息循环 方法实现示例： Print方法打印请求内容 add方法实现两数相加
本文分享了基于STM32N6开发板的火灾检测系统实现过程。作者选择YOLOv8n模型进行火焰识别，通过320×320输入尺寸优化处理，将模型从PT格式转换为ONNX/TFLite格式并进行int8量化以减小体积。重点介绍了在STM32N6上的后处理实现，包括候选框筛选、IOU计算和DMA2D绘制检测框等关键步骤。系统虽然检测速度较慢但精度较高，展示了STM32N6"MCU+NPU&quo
上电 → 从 Flash 读取栈顶地址 → 加载复位中断函数地址 → 跳转到复位函数 → 初始化硬件 → 跳转到 main () → 死循环STM32 上电先找栈，再找复位函数，初始化 RAM 后才进入 main ()。
全向移动机器人防滑控制系统摘要 本文介绍了一种基于多传感器融合的先进防滑控制系统，适用于全向移动机器人在复杂环境下的稳定运动。系统采用惯性测量单元(IMU)、轮速传感器、压力传感器和视觉传感器实现全方位状态监测，结合滑模控制(SMC)、模糊逻辑控制和PID自适应算法实现精确控制。关键技术包括： 多传感器融合：通过编码器、IMU等设备实时监测运动状态和地面条件 智能控制算法：采用模型参考自适应控制(
YLB3118是云澜电子推出的高性能PCIe3.0转8路SATA3.0主控芯片，采用工业级8×8TFBGA-143封装，单芯片实现1路PCIe3.0x2扩展8路SATA3.0。具有8Gbps/lane高速传输、支持NCQ/热插拔/SSC等功能，内置AHCI控制器和硬件LED状态指示。核心优势包括单芯片高集成、PCIe3.0满带宽、工业级稳定性及灵活固件升级。广泛应用于安防监控、数据中心、工业控制等
本文系统介绍了嵌入式系统中的通信协议与RTOS实时操作系统。首先详细解析了串口通信（TTL、UART、RS485）、IIC和SPI协议的技术特点与应用场景，包括电平标准、通信方式及时序控制等核心内容。随后深入讲解了RTOS的任务调度、资源共享保护机制（临界区、调度器锁、信号量、互斥量等）以及事件标志组、消息队列等关键组件的工作原理与API接口。最后通过对比IIC和SPI存储模块(AT24C02与W
本文介绍了在STM32N6微控制器上部署和运行神经网络模型的过程。STM32N6是意法半导体首款集成神经处理单元(NPU)的MCU产品，采用"MCU+NPU"异构架构，适合边缘AI应用。文章详细讲解了使用STM32CubeMX工具进行模型部署的步骤，包括内存配置、模型分析、权重文件烧录等关键环节。测试部分展示了如何初始化NPU、运行推理并解析YOLOv8模型的输出结果。作者还分
单片机
——单片机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
openEuler 社区
2048 AI社区
深开鸿 技术专区
