具身智能（Embodied Intelligence / Embodied AI）起源：图灵构想→布鲁克斯 1986 年奠定理论→2020 大模型时代爆发；构成：硬件本体 + 多模态感知 + 大模型决策 + 运动控制四层技术栈；区别：ChatGPT 是离身智能；机器人、无人车、四足设备才是具身智能；现状：工业场景小规模落地，人形通用机器人处于实验室到量产过渡阶段，是全球未来产业核心赛道。

方法描述角度核心要素是否需要奖励信号典型应用场景深度学习模型结构/表示方式深层神经网络特征自动提取否（视任务而定）图像识别、自然语言处理模仿学习学习方式/数据来源专家示范（状态-动作对）否机器人控制、自动驾驶强化学习学习范式/目标机制状态、动作、奖励、策略是游戏AI、资源调度。

在 Ubuntu 24.04 (Noble Numbat) 上安装 ROS2，推荐安装。

完全自定义协议，只分包传输 H265/AAC 裸数据，开销最小、延迟最低缺点：需要自己实现同步、丢包重传、头尾解析，开发量大适用：机器人、无人机、嵌入式内网图传。

你可以使用 C++ 中的 std::queue 或 std::deque 来实现一个固定长度的队列（大小为 NUM_OBJ），当从尾部添加新对象时，如果队列已满，则自动移除头部的对象。这类似于一个“滑动窗口”或“循环缓冲区”。虽然 std::queue 默认不支持遍历和直接控制大小，但也可以实现类似逻辑。对于频繁的头部删除操作，std::deque 或 std::queue (基于 deque)

指针是C++的“双刃剑”：掌握它，你将能写出高效、灵活的代码；滥用它，则可能导致难以调试的错误。在现代C++中，应尽量使用RAII和智能指针来管理资源，将指针的使用限制在必要场景。

Python 的布局规范核心是 清晰、一致、可读。遵循 PEP 8 不仅提升个人代码质量，更是团队协作的基础。项目如有自定义规范，可在 PEP 8 基础上微调，但需确保 组内统一。工具推荐（自动检查/格式化）

音频输入与大语言模型（LLM）结合的三种主流方案，行业标准分为。

人工输出结构化 Spec：功能目标、输入输出域、极限边界、异常处理规则、禁止场景、验收标准；写入项目 CLAUDE.md 全局约束，明确本模块技术规范、安全限制；交付 Agent 第一指令：仅允许基于本 Spec 工作，输出前必须逐条对齐 Spec 边界；人工确认方案框架，未通过则重新修订需求，不进入编码环节。不要把 AI 智能体当成全自动开发工具，定位为受严格约束的编码执行者，架构、边界、决策权

具身智能（Embodied Intelligence / Embodied AI）起源：图灵构想→布鲁克斯 1986 年奠定理论→2020 大模型时代爆发；构成：硬件本体 + 多模态感知 + 大模型决策 + 运动控制四层技术栈；区别：ChatGPT 是离身智能；机器人、无人车、四足设备才是具身智能；现状：工业场景小规模落地，人形通用机器人处于实验室到量产过渡阶段，是全球未来产业核心赛道。