摘要：电脑在双NVMe硬盘（Windows和Ubuntu分别安装在不同硬盘）环境下出现GRUB引导问题，无法启动Ubuntu。通过Ubuntu Live USB启动后，使用Boot-Repair工具进行修复，包括卸载dmraid、清理旧GRUB包、重新安装GRUB等步骤。最终成功修复引导问题，使系统能正常识别并启动两块硬盘上的操作系统。

自动驾驶技术发展综述 自动驾驶作为人工智能、传感器技术和车联网融合的革命性突破，跨越了数十年的发展历程。核心技术包括感知、决策和控制三大系统，其中多传感器融合、路径规划和车辆控制是关键技术环节。当前主流方案分为多传感器融合、纯视觉和车路协同三种模式，各具优势。技术瓶颈集中在极端场景应对、交互决策和伦理问题等方面。未来趋势指向车路协同、大模型赋能和算力提升，其最终实现依赖技术进步与社会共识的协同发展

本文介绍了在Windows 11系统中设置WSL Ubuntu子系统共享文件夹的方法。首先通过资源管理器添加网络位置，输入路径格式为\wsl$\发行版名称\home\用户名，其中发行版名称可通过PowerShell输入wsl --list查询。完成设置后，用户可在资源管理器中访问该共享文件夹，实现Windows与Ubuntu系统间的文件互传。若已安装可视化界面，还能直接在Ubuntu桌面查看共享文

本文介绍了在Ubuntu系统上配置ROS2 Humble环境并安装RealSense深度相机和RTAB-Map的完整流程。主要内容包括：1）安装ROS2基础工具和相关依赖包；2）通过apt安装Intel RealSense SDK和ROS2驱动；3）推荐使用apt安装RTAB-Map核心库和ROS2包，并提供了源码编译的备选方案。文中特别强调了二进制安装的稳定性，并给出了验证安装成功的方法。整个配

本文介绍了使用YOLOv11模型进行目标检测的完整流程。主要内容包括：1. 数据集获取：通过Roboflow和Kaggle等平台下载现成数据集，或自行采集视频并提取图片；2. 数据标注：使用LabelImg工具手动标注，或采用"半自动标注"方式先训练基础模型再预测标注；3. 数据集划分：随机划分训练集、验证集和测试集；4. 模型训练：配置YAML文件，设置训练参数，监控训练过程

激光雷达通过发射激光束并接收反射信号，生成包含三维坐标的点云数据，为机器人导航提供高精度环境感知。其主要作用体现在三方面：1）环境感知与地图构建（包括实时障碍物检测和SLAM建图）；2）精确定位；3）可通行区域分析。应用流程包括数据处理、地图管理、路径规划（全局/局部）和运动控制四个闭环阶段，形成完整的感知-决策-执行系统。激光雷达优势在于厘米级精度、黑暗环境工作能力和3D感知能力，但面临成本高、

本文详细介绍了YOLO语义分割模型的安装、数据标注、转换和训练全流程。首先通过Anaconda创建labelme环境并安装工具，使用labelme标注图片生成json文件。然后通过Python脚本将json转换为YOLO可用的txt标注格式，设置类别映射并检查文件对应关系。接着配置训练数据集和yaml文件，使用修改后的训练脚本进行500轮次模型训练。最后加载训练好的模型进行预测测试，结果保存在指定

本文介绍了使用FishBot进行自主导航的配置流程。首先编写launch文件，将地图和参数传递给Nav2系统，并设置仿真时间参数。接着修改CMakeLists.txt和package.xml文件，添加必要的依赖和安装配置。最后通过编译和测试验证导航功能，包括定位初始点、设置目标点、生成导航路径以及多路点导航。测试结果显示机器人能够成功按照规划路径移动，并支持通过多个中间点进行导航。

本文详细介绍了在ROS2环境下配置Fishbot机器人进行地图构建的全过程。首先完成Cartographer安装和Gazebo+RVIZ2仿真环境配置；然后创建功能包，添加cartographer配置文件和launch文件；接着编译测试，通过Gazebo仿真环境启动建图，并遥控机器人完成地图构建；最后安装nav2_map_server保存地图数据（.pgm和.yaml文件）。文章提供了完整的代码示

空间智能机器人正处在一个从“专业化工具”向“通用性伙伴”转变的历史性拐点。深度学习、SLAM、大模型和仿真技术是其发展的四大支柱。未来的研究将越来越强调多模态信息的融合、对物理常识的掌握、以及与人类和环境的共情与共生。这条技术路线最终指向的，是创造出能够与人类和谐共处、并极大拓展人类在物理世界中行动边界的新型智能实体。