核心思想：把“看见”“理解语言”“生成动作”统一到一个大模型中。视觉模块 → 单独规划器 → 单独控制器图像 + 指令 → 大模型 → 直接输出动作代表性工作包括：Google DeepMind 的 RT-2；Physical Intelligence 的 π0。把机器人控制“语言化、token化”。

核心思想：把“看见”“理解语言”“生成动作”统一到一个大模型中。视觉模块 → 单独规划器 → 单独控制器图像 + 指令 → 大模型 → 直接输出动作代表性工作包括：Google DeepMind 的 RT-2；Physical Intelligence 的 π0。把机器人控制“语言化、token化”。

这16个卷积核分别是下图中的3，4，6通道的卷积核，输出图像的大小为10*10*16.训练的参数有6*[5*5*3+1]+9*[5*5*4+1]+1*[5*5*6+1]=1516;第二层S2：池化层2*2步长2，下采样，输入28*28*6输出为14*14*6;14*14*6*(2*2+1)=5880个连接。第四层S4：同S2操作，池化层2*2步长2，输入为10*10*16，输出为(10-2+2)/

以往的模型一个窗口只能预测一个目标，把窗口输入到分类网络中，最终得到一个预测概率，这个概率偏向哪个类别则把窗口内的目标预测为相应的类别”本质即在图像上预设好的不同大小，不同长宽比的参照框。输入图片输出为目标类别和目标的边界框——(c,x,y,w,h)5维的向量，c为有无目标的置信度。个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体，那么所有整个ground truth的长度为𝑆 ×

选conda虚拟环境，找到condabin下的conda可执行文件(地址在cmd命令下which conda得到)2.远程连接站点，端口，用户名，密码输入(连接后，后续就不用输入直接选择exist下的即可)ssh -p (端口号位置) (用户名位置)@(接入网址)，按照下图位置填写即可。输入which conda 命令查看conda所在位置，记住一会要用。ssh -p (端口号位置) (用户名位置

检查安装是否成功: cat /usr/local/cuda-12.1/include/cudnn_version.h | grep CUDNN_MAJOR -A 2。之后进入lib文件：cd cudnn-linux-x86_64-8.9.4.25_cuda12-archive/4.输入wsl.exe --install Ubuntu-22.04（上面的可安装版，打开powershell，输入wsl

以往的模型一个窗口只能预测一个目标，把窗口输入到分类网络中，最终得到一个预测概率，这个概率偏向哪个类别则把窗口内的目标预测为相应的类别”本质即在图像上预设好的不同大小，不同长宽比的参照框。输入图片输出为目标类别和目标的边界框——(c,x,y,w,h)5维的向量，c为有无目标的置信度。个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体，那么所有整个ground truth的长度为𝑆 ×

这16个卷积核分别是下图中的3，4，6通道的卷积核，输出图像的大小为10*10*16.训练的参数有6*[5*5*3+1]+9*[5*5*4+1]+1*[5*5*6+1]=1516;第二层S2：池化层2*2步长2，下采样，输入28*28*6输出为14*14*6;14*14*6*(2*2+1)=5880个连接。第四层S4：同S2操作，池化层2*2步长2，输入为10*10*16，输出为(10-2+2)/

来自Kimi的回答

以往的模型一个窗口只能预测一个目标，把窗口输入到分类网络中，最终得到一个预测概率，这个概率偏向哪个类别则把窗口内的目标预测为相应的类别”本质即在图像上预设好的不同大小，不同长宽比的参照框。输入图片输出为目标类别和目标的边界框——(c,x,y,w,h)5维的向量，c为有无目标的置信度。个框，每个框的bb个数为𝐵，分类器可以识别出𝐶种不同的物体，那么所有整个ground truth的长度为𝑆 ×