登录社区云，与社区用户共同成长
邀请您加入社区
自动驾驶运动控制算法十年演进（2015-2025）摘要 自动驾驶运动控制算法经历了从基础辅助到高阶智能的跨越式发展。2015-2017年，经典PID控制主导L0-L1辅助驾驶，海外Tier1垄断市场；2018-2020年，线性MPC实现横纵一体化控制，国产厂商突破技术壁垒；2021-2023年，非线性智能控制算法支持城市NOA复杂场景，国产方案实现反超；2024-2025年，端到端大模型原生控制将
灵巧手十年演进（2015–2025）摘要 2015年灵巧手仍以高成本气动/液压驱动为主，2025年已发展为全电驱、高精度、智能化的普惠产品。中国从技术跟随者跃升为全球领跑者，单手成本从百万级降至万元级，自由度提升至24–30DoF，抓取成功率突破99.9%。2015–2018年为气动/液压实验室阶段；2019–2022年进入全电驱+力控一体化时代；2023–2025年实现VLA大模型意图直驱与量子
宝华视联 BH‑V 系列手术示教系统在大量三甲、县级医院项目落地实践中，就明确建议客户采用独立 VLAN 逻辑隔离方案，系统支持纯内网本地化部署，完整 GB/T28181 国标协议，可适配医院现有千兆园区网络，不需要大规模更换交换机硬件，通过优化网络配置即可实现多路 4K 手术影像稳定传输，同时兼顾住培教学归档、隐私脱敏、权限管控的业务需求。很多集成商图成本选用家用、SOHO 型千兆交换机，虽然端
本文介绍了基于STM32和SX1278的LoRa通信实现方案，从硬件搭建、调制原理到寄存器级驱动开发，详细解析了LoRa的扩频技术、关键射频参数配置及通信条件。通过两块STM32开发板连接Ra-01模块，实现了双向数据收发、ACK应答及信号质量监测。文章还分享了实际开发中的时序问题及解决方案，为深入理解SX1278驱动开发提供了实用参考。硬件采用标准SPI接口连接，软件基于Keil MDK开发，工
你可能会想：CPU 里也有乘法单元，为什么训练芯片要专门排一个二维阵列？答案在并行度和数据复用。同一个数据可以被反复使用。算 A×B 时，A 的每一行要和 B 的每一列相乘，一个数据会被用到几十次、几百次。二维阵列的妙处，就是让数据"横向流、纵向流"：权重从一侧流入，激活值从另一侧流入，每个交叉点上的计算单元同时做乘加。这样，几千个单元可以同时工作，而不是像 CPU 那样一个接一个地算。这里的关键
本文系统梳理了实时操作系统（RTOS）的核心知识与面试要点，为嵌入式领域开发者提供实用指南。文章首先解析RTOS的实时性本质，对比其与通用操作系统的关键差异；然后深入剖析任务管理、调度、同步通信、内存管理和中断处理五大核心机制，结合典型面试题详解回答思路；接着介绍FreeRTOS、μC/OS、VxWorks等主流RTOS及国产天脉、锐华系统的特点；最后展望AI融合、功能安全等发展趋势。全文兼顾理论
本文系统梳理了硬件工程师的学习路线：从电路基础到PCB设计，再到焊接调试等实践技能。核心内容包括：1）电路理论（模电/数电）；2）单片机开发（51/STM32/ESP32）；3）PCB设计工具（KiCad/Altium）；4）仪器使用与焊接；5）电源/高速电路/EMC等进阶知识。推荐了B站优质课程和经典教材，并给出3-6个月的速成方案：分阶段学习理论→单片机→PCB设计→实战项目。最后列举了立创E
本文介绍了PCB设计中添加新板层的详细步骤：1.通过菜单栏进入层叠管理器；2.右键添加新板层（正片层或负片层）；3.说明两种板层的区别及使用方法：正片层用于走信号线，负片层可设置网络信号区域；4.演示如何修改板层类型和命名；5.提供常见的层叠设置建议，包括信号层和电源层的分布。操作完成后需注意保存设置，文中还提及可调整铜厚等参数。
本文详细介绍了Altium Designer 20.2.6软件的安装与破解流程。首先提供网盘下载链接（提取码8848），指导用户完成安装步骤，包括语言选择、安装路径设置等。重点说明破解方法：需复制License文件夹中的.alf文件和shfolder.dll到安装目录，并通过X2.exe启动程序添加许可证。最后介绍了软件汉化方法（在setting-system中设置）和界面颜色更改选项。整个安装过
本文系统介绍了单片机的基本结构、工作原理及未来发展趋势。主要内容包括：1）单片机的基本组成（CPU、存储器、I/O接口、定时器、中断系统等核心模块）；2）单片机最小系统电路设计（电源、复位、时钟、下载电路）；3）芯片手册的查阅方法；4）各类单片机的对比（8/16/32位、ARM/RISC-V架构）；5）未来发展方向（AI边缘计算、RISC-V架构崛起、物联网融合等）。文章通过架构图对比了冯·诺依曼
本文系统梳理了芯片从设计到量产的完整流程，包括定义与架构、前端设计、验证收敛、物理实现、Sign-off、制造与测试等关键环节。文章详细阐述了每个阶段的工作重点和交付标准，介绍了PPA（性能、功耗、面积）探索、DFT设计、验证覆盖率、物理实现和Sign-off等核心概念。同时分析了三种返工路径（RTL/IP修复、MetalECO和FullRespin）的应用场景，强调了芯片开发中多团队协同的重要性
随着大模型向端侧迁移，移动AI落地的最大瓶颈已逐渐从算力转向“存力”。在AI眼镜、具身机器人等小型终端中，极小的物理空间与高带宽、低功耗的需求形成了尖锐矛盾。本文基于MWC26上海展的技术洞察，深度拆解国产存储主控厂商康芯威如何通过全栈自研架构、先进纠错算法及动态电源管理，为端侧AI规模化落地提供底层支撑。
【摘要】物理AI产品面临的核心挑战在于必须在严格时序约束内完成确定性运算。本文通过智能耳机、配送机器人和无人机等案例，揭示了物理AI区别于云端AI的关键特征：硬实时性、低时序抖动和多模态同步。以智能眼镜的语音增强功能为例，10ms端到端时延预算被分解为确定性处理链路，其中AI模型推理必须在3-4ms最坏时延内完成。物理AI的设计准则强调：1）关注最坏时延而非平均值；2）控制时序抖动；3）确保多传感
在嵌入式与硬件开发圈，我们对“复古电子产品”一向警惕——十之八九是公模 MCU 套层仿木贴皮。但飞利浦这款（官方传播名，规格书型号）不太一样：它复刻 1950 年代 Philetta 收音机的胡桃木+金属格栅造型，但内部走的是一条 的现代路线，国内行货常态价（京东自营大促可到 ¥3,999）。作为一名硬件工程师，我不关心“情怀”，我只关心它的 和。本文从 三层拆开讲。
本文深入解析嵌入式系统中硬件架构的隐秘通信机制，揭示工业自动化设备间‘沉默对话’的精妙原理。重点探讨嵌入式硬件通信协议如I2C、SPI的底层架构、时序同步及抗干扰设计，为开发者提供信号完整性优化和故障调试的实用方案，助力实现高效可靠的工业应用。
NB-IoT与LoRa是物联网领域两大主流连接技术，核心差异在于频谱资源（授权vs.非授权）和应用场景。NB-IoT依托运营商网络，提供高可靠性、中速率和广覆盖，适合计费、工业控制等强合规场景；LoRa则基于非授权频段，支持私有化部署，以超低功耗和低成本见长，适用于农业、园区等长尾需求。两者并非替代关系，而是互补：NB-IoT适合运营商级服务，LoRa满足本地化灵活部署。实际项目中，混合组网（核心
摘要：本文介绍了单片机嵌入式程序四层架构设计思路，通过分层解耦提升系统可维护性和扩展性。第一层BSP驱动层屏蔽芯片差异，提供统一硬件接口；第二层OSAL系统抽象层隔离操作系统差异，实现跨平台兼容；第三层Service业务组件层将功能模块化，支持自由插拔；第四层APP应用逻辑层专注业务流程。设计原则包括：采用消息总线替代全局变量、使用状态机管理流程、建立参数中心统一配置、实施异常捕获和防呆设计确保鲁
openUBMC推出全新"部件驱动"架构，解决服务器硬件适配难题。该架构通过代码集中化、边界清晰化和插件化设计，将硬件适配逻辑模块化，显著降低维护成本。部件驱动借鉴操作系统硬件驱动模式，允许厂商开发专属驱动，提升适配效率。openUBMC还定义了标准化的部件管理接口模型，为智能运维奠定基础。未来社区将推动生态协作、标准建设和认证体系，打造开放的算力设备管理生态。该创新架构有望改变传统BMC硬件适配
（最新）华为 2025届秋招-硬件技术工程师-单板硬件开发—机试题—（共14套）（每套四十题）
一拖二无线扫码枪
操作系统是计算机世界中连接软件与硬件的核心桥梁，但它并不是简单地“运行程序”，本文从冯诺依曼体系结构出发，逐步认识操作系统的基本概念，解析Linux内核、Android与手机系统之间的关系，并深入拆解软件访问硬件的完整链路。从系统调用到驱动程序，再到操作系统经典的“先描述，再组织”管理思想，通过结构体、链表等数据结构案例，理解操作系统如何将复杂资源抽象化、组织化，最终实现高效管理。本文帮助读者建立
用数字FAE做了智能戒指、机器人电机驱动、智能眼镜三个方案，总结AI方案设计工具的优劣势、使用技巧和适用场景。数字FAE, 芯片选型, 方案设计, 电子工程师, 硬件设计, BOM清单, AI工具, 元器件选型
NVMe协议是PCIe SSD高性能的软件基石。本文从协议栈分层架构出发，深入拆解NVMe寄存器空间、提交/完成队列的工作机制、六大核心I/O命令的数据流、MSI-X中断与轮询两种模式的设计取舍、Namespace管理模型，以及NVMe 2.0的模块化变革，帮你建立对NVMe协议的完整认知框架。
PD800拒绝“盲拷贝”，它搭载了工业级硬件CRC校验与Bit-by-Bit（位对位）比对功能，就是你产线上最铁面无私的“品质守门员”。当你的产品以“稳定、不蓝屏”著称时，客户愿意支付更高的价格，品牌忠诚度也会大幅提升。PD800的作用就是将这个“黑盒”变成“白盒”，用数据校验确保100%的良品率，这是对您整个成熟产线品质的最终保障，避免因小失大。而PD800的“位对位比对”是物理扇区级别的1:1
整托大面积扫码
整箱扫码高速传送带适配技术
流水线动态扫码固定式读码器
汇编之后，慢慢变出了C，这依旧是一组抽象，把各个汇编封装，暴露一些功能，再重新，更人性化的组织它们，这样C语言就诞生了，python也是以此类推。最开始的计算机依靠开关的拨动，0101机器语言直接去写，这是费劲的，人们将一些特定的0101组合在一起，以英文助记符归纳他们的作用，这就是汇编。在这个阶段，就是一组抽象，隐藏了0101的书写，只把他们最终的效果暴露出来，并重新组织成更容易懂的功能。抽象的
计算机系统体系结构，是指计算机软硬件系统的整体组织规范，具体定义了硬件部件组成、部件互联方式、数据传输规则、指令执行机制、软硬件交互逻辑，核心解决四大核心问题：计算机由哪些核心部件构成、各部件的专属功能与分工、数据和指令的流转路径、软硬件如何协同完成计算任务。不同于单纯的硬件组装，体系结构是一套标准化的运行规则，所有硬件、软件、程序都必须遵循该规则运行，是计算机能够稳定、自动化工作的核心保障。操作
38×38mm的方寸之间，集成八核CPU、4TOPS NPU、Mali-G310 GPU 以及丰富的工业/多媒体接口，面向工业控制、机器视觉、智慧商显、移动终端等场景，帮助客户以小体积实现强算力落地。可广泛应用于工业控制、能源电力、边缘计算、工业视觉、机器人、智能显示终端、安防监控终端等诸多行业。严格的电源完整性和信号完整性仿真设计，通过各项电磁兼容、温度冲击、高温高湿老化、长时间存储压力等测试，
机器人电机驱动选型详解：有刷/无刷/步进电机的驱动方案对比，FOC控制对MCU的要求，驱动芯片选型要点。机器人电机驱动｜电机选型｜无刷电机驱动｜FOC控制｜步进电机｜驱动芯片选型｜数字FAE
在 Jetson Thor 提供的统一高算力底座上，TER40J-A 和 TER30JT-A 形成的是互补产品矩阵，而不是简单的高低配。最重要的是直接上了 **120mm 超大散热模组**，热管理超规格设计，确保 Thor 模组在满负载（比如 VLA 推理 + 动力学 MPC 并行）下完全不降频，性能释放零妥协。TER40J-A 定位全功能旗舰，带 GMSL 多路相机扩展，适合需要高速同轴线缆、多
国产芯片替代选型实操经验，从MCU（STM32→GD32）到电源管理芯片的替代料查找、验证方法及踩坑总结。国产芯片替代｜MCU选型｜STM32替代｜GD32｜BOM降成本｜芯片选型｜替代料验证
上图展示有点问题，实际一个Node的Level1里是一个交换芯片的7个虚拟平面，不是7个交换芯片。UB交换芯片Level1使用量0.392*2/2*8*2=6.272 Tb/s, Level2 交换芯片使用量0.056/2*8*48=10.752Tb/s，芯片性能对标博通TH3.B300出1.8TB双向带宽，Nvswitch单芯片容量28.8Tb，整机57.6Tb（性能对标博通TH5)，交换芯片容
工业扫码器
电子产品整盘扫码
本文总结了半导体专家廖博士关于大模型训练与推理系统优化的关键要点。核心聚焦四大指标（算力、内存带宽、容量、互联带宽）在训练与推理场景的差异化需求，提出层次化通信架构设计原则。重点包括：1）训练侧重算力容量，推理强调低延迟；2）超节点规模需平衡通信效率；3）存储系统需协同优化以应对KV Cache挑战，采用400G UB端口SSD提升带宽；4）网络设计需优化延迟抖动，支持MoE模型高频数据传输。同时
昇思MindSpore通过nn.Cell模块化设计和construct()自由前向表达实现深度学习模型的灵活构建，支持动态图调试与静态图加速无缝切换。其核心特性包括：1）所有组件继承nn.Cell，可嵌套复用；2）construct()内支持Python原生语法（分支/循环/动态路由）；3）动静统一，自动适配NPU加速；4）内置Transformer等复杂结构表达模板。开发者可像搭积木一样组合网络
大面积批量扫码
整托批量扫码
工业扫码设备
- 电力成本：约5度/天 × 0.5元/度 = 2.5元/天- 无云端API费用- 无网络延迟（本地推理首Token延迟<100ms）- 无数据隐私泄露风险对比云端Agent：- 云端推理成本：25-50元/天（MiniMax M3低成本方案）- 网络延迟：100-500ms- 数据需传输到云端本地Agent的优势在隐私敏感场景和实时响应场景尤为突出。- 专门优化稀疏矩阵运算（MoE模型的稀疏激活
批次数据加载与前处理 —— CPU 工作 CPU 侧的数据加载线程（DataLoader）读取训练样本，执行打乱、组 Batch、生成注意力掩码 / 位置编码等操作，将批次张量准备至页锁定内存，待传输至 GPU。模型与优化器部署 —— CPU→GPU CPU 侧完成模型权重初始化（或加载预训练权重）、优化器实例化，随后将所有权重与状态数据拷贝到各 GPU 显存中，完成计算资源就位。12.训练收尾与
硬件架构
——硬件架构
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
天工造物局
DAMO开发者矩阵
AI硬件创业社区
人工智能6S服务平台
openEuler 社区
亚马逊云科技技术品牌专区
快递鸟社区
AI Agent技术社区
AI编程社区
智能体开发者社区
