torch.nn.Conv2d// 输入channel为3，输出channel为16，卷积核尺寸为5*5torch.nn.Conv2d(3, 16, 5);// 输入channel为16，输出channel为33，卷积核尺寸为3*3，步距为2m = nn.Conv2d(16, 33, 3, stride=2)卷积核尺寸为3*5，行步距为2，列步距为1,m = nn.Conv2d(16, 33, (

想象你有一个 5×5 的目标窗口。现在我们让它“往右移一格”，最右边那一列会绕回左边，就像图像是“首尾相连”的。这就是循环平移。对原始窗口做所有可能的平移（上下左右、斜向等），就得到了一大堆样本：KCF 的训练并不依赖多帧数据，而是利用第一帧的目标窗口，通过循环平移自动生成成千上万对“样本—高斯标签”，再用最小二乘法求出一个滤波器，使得它的输出在目标位置产生最大响应。这就是为什么——KCF 只用一

SLAM是的缩写，中文译为“同时定位与地图构建SLAM的本质是“边定位、边建图”，解决未知环境中机器人的“自主认路”问题；雷达、IMU是SLAM的核心传感器，LIO是常用的融合算法，ROS提供了成熟的SLAM工具链；你之前用的GMapping+LIO方案，是典型的2D激光-惯性融合SLAM，适用于地面机器人室内导航；工程中选择SLAM方案，需结合传感器成本、算力、环境场景（比如室内2D用GMapp

场景文件系统问题解决方法大容量硬盘NTFS挂载失败，无法写入安装ntfs-3g大容量硬盘exFAT挂载失败安装或升级内核小优盘FAT32正常挂载内核自带支持，无需额外操作。

在服务器上训练模型或者跑推理，经常会遇到一个典型问题：某个 GPU、某个 CPU 已经被占用，但是不知道是哪段 Python 在跑。无论是自己正在跑训练，还是别人占用了 GPU，只要有 PID，就能完全知道它在跑哪一个 python 文件，用了哪些参数，在干什么。/proc/PID/cmdline 是内核暴露出来的实际启动命令（参数之间用 0 字节分隔）x：显示没有 tty 的进程（daemon

SLAM是的缩写，中文译为“同时定位与地图构建SLAM的本质是“边定位、边建图”，解决未知环境中机器人的“自主认路”问题；雷达、IMU是SLAM的核心传感器，LIO是常用的融合算法，ROS提供了成熟的SLAM工具链；你之前用的GMapping+LIO方案，是典型的2D激光-惯性融合SLAM，适用于地面机器人室内导航；工程中选择SLAM方案，需结合传感器成本、算力、环境场景（比如室内2D用GMapp

JetPack 是 NVIDIA 为 Jetson 系列设备提供的一体化系统开发套件，包含操作系统、驱动、CUDA、cuDNN、TensorRT、OpenCV、VPI 等核心组件。JetPack 6.2.1 对应的底层系统是CUDA 12.4 与 cuDNN 9 支持TensorRT 10.x 推理优化框架升级版 VPI 与 DeepStream SDK对 Orin Nano / NX / AGX

SLAM是的缩写，中文译为“同时定位与地图构建SLAM的本质是“边定位、边建图”，解决未知环境中机器人的“自主认路”问题；雷达、IMU是SLAM的核心传感器，LIO是常用的融合算法，ROS提供了成熟的SLAM工具链；你之前用的GMapping+LIO方案，是典型的2D激光-惯性融合SLAM，适用于地面机器人室内导航；工程中选择SLAM方案，需结合传感器成本、算力、环境场景（比如室内2D用GMapp

python3入门机器学习scalarscalarscikit-learn中使用scaler保存训练集得到的均值，方差等关键信息，用于对测试数据集进行transform例子：1，加载鸢尾花数据集2，数据查看

极简总结：AscendCL是昇腾NPU的“CUDA”，CUDA是Jetson GPU的“AscendCL”，两者都是“硬件算力的翻译官”，把上层应用的需求转换成硬件能听懂的指令。核心结论：AscendCL与CUDA是完全同级的“底层计算接口”，都是连接上层应用和硬件算力的“桥梁”，只是分别服务于不同品牌的硬件。结论：Ubuntu是“基础操作系统”，专属SDK是“专用NPU的算力钥匙”，两者功能完全