本文介绍了机器人开发中传感器融合、任务理解、运动控制等核心功能的实现。通过多传感器（摄像头、LiDAR、IMU等）数据融合构建3D场景表示，利用LLM理解自然语言指令，并结合实时控制算法实现安全移动。系统采用ROS2架构，包含感知层、融合层、决策层和执行层，通过性能调优确保20Hz实时响应。代码示例展示了传感器融合节点的实现，包括目标跟踪、坐标变换等关键功能。

文章摘要 本文介绍了高通IQ-9100芯片在具身智能机器人中的应用方案。该芯片通过16路ISP接口和100TOPS NPU算力支持多路摄像头感知，采用双Tensor Processor架构实现并行推理，可同时处理6路摄像头输入并达到22fps的检测速度。系统采用分层设计：感知层运行YOLOv8s目标检测模型，理解层部署Llama 2 7B语言模型，决策层通过8核CPU实现实时路径规划，执行层则利用

文章摘要 本文介绍了高通IQ-9100芯片在具身智能机器人中的应用方案。该芯片通过16路ISP接口和100TOPS NPU算力支持多路摄像头感知，采用双Tensor Processor架构实现并行推理，可同时处理6路摄像头输入并达到22fps的检测速度。系统采用分层设计：感知层运行YOLOv8s目标检测模型，理解层部署Llama 2 7B语言模型，决策层通过8核CPU实现实时路径规划，执行层则利用

本文介绍了一个面向工业场景的实时视觉检测系统设计，重点解决长期运行的稳定性问题。系统采用三线程流水线架构（采集、推理、输出解耦）和latest-only机制（仅保留最新帧防止堆积），通过低延迟取流、并行处理和可降级输出等设计，有效避免了延迟累积和内存泄漏问题。关键实现包括：基于OpenCV的采集线程、ONNX推理模块（可替换为QNN/HTP）、事件截图限频和JSON上报功能。该设计从工程化角度确保

摘要：本文记录了将官方Qualcomm Dragonwing IQ-9075 EVK开发板的Ubuntu镜像刷入Thundercomm DevKit开发板的尝试过程。通过对比两块开发板的硬件配置和刷机包结构，发现虽然SoC相同但固件存在差异。首次尝试直接刷入高通全套固件导致系统崩溃，分析发现是GearVM等固件板级不匹配所致。随后采用混合方案，保留Thundercomm的硬件初始化固件，仅替换Ub

本文将高通旗舰移动平台IQ-9100与AWS边缘计算服务Greengrass结合，打造本地智能节点。文章详细介绍了在QCS9100开发板上部署Greengrass核心软件的完整流程，包括系统环境准备、AWS CLI配置、Greengrass核心安装与验证等关键步骤。通过这一部署，用户可以在设备端运行AI推理模型，实现低延迟、高隐私保护的应用。文中还提供了云端资源创建结果的详细说明，为后续开发自定义

本文介绍了基于边端协同架构的智能客服系统集成方案，重点展示了DeepSeek云端大模型的接入实现。文章首先概述了DeepSeek API的关键参数（64K上下文窗口、¥1.0/百万tokens的输入价格）及其兼容OpenAI格式的优势。随后提供了封装好的Python客户端代码，支持同步对话和流式输出两种模式，包含对话历史管理、系统提示词设置等功能。最后展示了系统集成方案，将ASR语音识别、TTS语

高通推出工业级边缘AI评估套件翼龙IQ-9075 EVK，具备100 TOPS AI算力、36GB ECC内存和16路4K视频处理能力，支持-40°C至+90°C宽温工作。该平台采用异构计算架构，集成八核CPU、Adreno 663 GPU和专用NPU，可本地运行130亿参数大模型。配备丰富接口（2.5GbE、Wi-Fi 6E、PCIe Gen4等）和Ubuntu/Yocto系统支持，适用于机器人

高通推出的QAIRT Python API简化了移动端AI模型部署流程，将传统繁琐的CLI工具链统一为简洁的Python接口。该工具支持端到端工作流：模型转换与量化（含三种量化模式）、针对特定芯片的编译优化，以及本地/远程执行。特别提供动态校准量化和细粒度硬件配置功能，并内置性能分析工具，可可视化算子耗时和内存占用情况。通过Python化部署流程，QAIRT显著提升了移动端AI模型的开发效率，使开

本文介绍了在IQ-9100平台上将ONNX模型转换为QNN模型并部署到HTP/NPU加速的完整流程。首先在x86主机端安装QAIRT SDK环境，通过qnn-onnx-converter和qnn-model-lib-generator工具将简化后的ONNX模型转换为QNN模型库(.so)。然后将运行时库和模型部署到QCS9100目标板，使用qnn-net-run和qnn-sample-app工具验