ls /dev/serial* -l——/dev/serial0 -> ttyS0——有这个就成功了。下面是引脚图（网线口或者说摄像头面向自己），不确定可以用风扇的正负引脚确定。stm32会收到3a，32代码就用正常的receive——IT就行。ls -l /dev/serial*——无输出。sudo reboot重启。

原文网址：[2512.01035] Goal-Oriented Multi-Agent Semantic Networking: Unifying Intents, Semantics, and Intelligence摘要——6G服务正朝着面向目标和AI原生的通信方向发展，这有望在各个行业带来变革性的社会效益，并促进能源的可持续性。然而，当今建立在应用与网络完全解耦基础上的网络架构，无法暴露或利

原文网址：[2512.01035] Goal-Oriented Multi-Agent Semantic Networking: Unifying Intents, Semantics, and Intelligence摘要——6G服务正朝着面向目标和AI原生的通信方向发展，这有望在各个行业带来变革性的社会效益，并促进能源的可持续性。然而，当今建立在应用与网络完全解耦基础上的网络架构，无法暴露或利

AI翻译的。

原文网址：[2603.06647] Performance Comparison of IBN orchestration using LLM and SLMs免责声明：包括后面的名词解释都是AI写的原文翻译：5G和6G网络的演进正在推动全自主网络管理的发展，将基于意图的网络（IBN）置于这一转型的中心。本文介绍了一种用于5G和6G IBN编排的新型框架，该框架利用有状态的、分层的多智能体架构，使

没有上路尝试过，但是如果用纸可以完成上路应该没啥问题，但是应该要调调阈值，或者说改变循迹框的位置。如果想扩展至七路或者九路循迹，或者想要调整框的间距就改变这里。这是一个五路循迹代码，如果检测到黑色返回1，其他返回0，如果检测不到黑色，就改这个值，值越大，检测黑色能力就越强。以及这里，几路循迹就改成几个数值。最后再把00110发给主控就行了。

首先，先说一个我试了很久很久的结论，那就是支持向量机这种方法效果太差了，我最开始想着使用支持向量机做，因为他最简单，但是实际效果差得离谱，最后还是选择了用pytorch搞深度学习。对于是否需要优化模型，我这里并不需要，因为我的准确率已经高到99%了，我会继续尝试别的训练数字，看会不会有影响，有影响了这里我再改。中篇主要是关于模型训练部分的，上篇已经生成了一个文件夹的数字，那么基于那个数字集，进行训

获取摄像头帧转换颜色空间从RGB到BGR（OpenCV标准，）再转换到HSV色彩空间（更适合颜色检测）如果需要修改颜色就修改上面的颜色设置范围，物体的坐标位于标记物体处，xywh等，可以发送给设备。查找轮廓，过滤掉小面积区域（<500像素），绘制绿色边界框，添加"Red"文字标签。显示原始帧（带标记），显示颜色掩膜。

没有上路尝试过，但是如果用纸可以完成上路应该没啥问题，但是应该要调调阈值，或者说改变循迹框的位置。如果想扩展至七路或者九路循迹，或者想要调整框的间距就改变这里。这是一个五路循迹代码，如果检测到黑色返回1，其他返回0，如果检测不到黑色，就改这个值，值越大，检测黑色能力就越强。以及这里，几路循迹就改成几个数值。最后再把00110发给主控就行了。

这里给2000是第一次尝试时候用的2000，对于部分数字已经够用，但是对于6，8，9等比较模糊的数字还是不太够，需要根据实际需要修改数量。生成数字的代码如下，这里对图片进行了很多修改，如让其旋转一定角度，或者是更改其对比度，可以让训练的结果更好。第三，字体路径，点开C:/Windows/Fonts/后，你就可以看到电脑的各种字体，我选的是黑体。第二，他这里生成的数字是64x64的，后续SVM时候，