笔者上一篇博文详细介绍了tingsboard的快速部署，本次教程让整个页面动起来，快速完成一个完整动态页面的开源物联网平台智慧农业的案例，手把手每一步都有图示，附带模拟数据的shell脚本，方便没有硬件的读者也可以迅速完成实践。

VS2022跨平台Linux CMake项目搭建过程1. 环境准备开发机器：VS2022(VS2019 16以上都支持)下载地址：https://visualstudio.microsoft.com/zh-hans/vs/应注意Linux开发负载要存在，根据下图检查Linux设备：请确保安装了以下项：gccgdbrsynczipninja-build（Visual Studio 2019 或更高版

优雅的进行STM32开发，MDK已经不是唯一的选择，依托jetbrains系列开发工具的高效和舒适的开发体验，稚晖君也对STM32CubeMX与CLion的联合开发环境进行了推荐，同时HAL库又是官方推荐，提升开发体验势在必行。

原因分析今天搭载了一台阿里云服务器，迅速搭载了一套LAMP，但是使用给定的公网ip并不能直接访问到自己的服务器页面，四处检查确认配置没有问题，且ICAM在本机可以ping通服务器，最终找到了原因进入自己的控制台，点击自己的实例，有个配置规则。（注：此处图片是因为我配置过了，选项才比较多，新的实例选项很少）点开配置规则，发现默认的有这几项，ICMP已放开，故而可以ping通，22端口默认放开，可以远

基于深度强化学习(DRL)的ARE方法，在注意力机制的加持下，允许智能体在不同的空间尺度上推理局部地图中不同区域的依赖关系，从而允许智能体在不需要优化长路径的情况下有效地对空间非近视决策进行排序。首先将自主探索表述为覆盖已知可穿越区域的无碰撞图上的顺序决策问题，其中一个节点是机器人的当前位置。然后，使用基于注意力的神经网络选择机器人当前位置的一个相邻节点作为机器人的下一个视点。

基于深度强化学习(DRL)的ARE方法，在注意力机制的加持下，允许智能体在不同的空间尺度上推理局部地图中不同区域的依赖关系，从而允许智能体在不需要优化长路径的情况下有效地对空间非近视决策进行排序。首先将自主探索表述为覆盖已知可穿越区域的无碰撞图上的顺序决策问题，其中一个节点是机器人的当前位置。然后，使用基于注意力的神经网络选择机器人当前位置的一个相邻节点作为机器人的下一个视点。

HomeRobot：一种经济实惠的兼容机器人，可以在家中导航并操纵各种物体以完成日常任务。开放词汇移动操纵（OVMM）是指在任何看不见的环境中拾取任何物体并将其放置在指定位置的问题。对于机器人成为人类环境中有用的助手来说，这是一个基本挑战，因为它涉及解决机器人技术中的子问题：感知、语言理解、导航和操作对于 OVMM 来说都是至关重要的。此外，整合这些子问题的解决方案也带来了巨大的挑战。

推理和训练1. 概述训练（Training）： 一个初始神经网络通过不断的优化自身参数，来让自己变得准确。这整个过程就称之为训练（Training）推理（Inference）： 你训练好了一个模型，在训练数据集中表现良好，但是我们的期望是它可以对以前没看过的图片进行识别。你重新拍一张图片扔进网络让网络做判断，这种图片就叫做现场数据（livedata），如果现场数据的区分准确率非常高，那么证明你的网

  目标是仅使用视觉输入就能导航并到达用户指定目标的机器人，对于此类问题的解决办法一般有两种。基于地图的导航算法或者SLAM系统与最先进的物体检测或图像识别模型的局限性深度卷积神经网络(cnn)与强化学习(RL)相结合的方法优势  深度强化学习(DRL)确实允许以自然的方式管理视觉和运动之间的关系，并且它在无地图视觉导航和许多其他机器人任务中显示出令人印象深刻的结果。局限  在目标驱动的视觉导航中

BERT（Bidirectional Encoder Representations from Transformers）是一种预训练模型，它是自然语言处理（NLP）领域的重大里程碑，被认为是当前的State-of-the-Art模型之一。BERT的设计理念和结构基于Transformer模型，通过无监督学习方式进行训练，并且能够适配各种NLP任务。预训练模型是指在大规模文本数据上进行大量无监督训