智能体 = 在循环中自主调用工具的 LLM。（把记忆也视作工具的话）从感知到行动的闭环，构成了所有智能体行为的基础;Learning Agent就是能通过和环境交互自主学习的agent，RL是实现Learning Agent的代表路径。Learning Agent包含一个性能原件和一个学习原件；可以从反应流程上对Agent分类：区分：人们常用PEAS来描述任务环境, 即 Performance/E

智能体 = 在循环中自主调用工具的 LLM。（把记忆也视作工具的话）从感知到行动的闭环，构成了所有智能体行为的基础;Learning Agent就是能通过和环境交互自主学习的agent，RL是实现Learning Agent的代表路径。Learning Agent包含一个性能原件和一个学习原件；可以从反应流程上对Agent分类：区分：人们常用PEAS来描述任务环境, 即 Performance/E

最近搞实时渲染要用Taichi,遂学 https://github.com/taichi-dev/taichi-nerfs#train-with-preprocessed-datasets我的Taichi版本: v1.6.0 (不同版本区别还挺大的)reference: https://docs.taichi-lang.cn/docs/hello_world文章目录一、快速上手二、Kernel与f

内容: 关于雷达和相机外参联合标定的踩坑纪录。Author: 吴 坷。

SDF的核心是一种连续的场景表征，NeRF的核心是体渲染。因此本文是简单的关于SDF如何和体渲染串起来的粗糙总结(即SDF2Density)。

DROID-SLAM和Raft(ECCV2020 Best Paper)的通讯都是ImageNet的一作，给跪了。从dense mapping的角度来看，DROID-SLAM采用 ”缝合预测光流 + DBA + Upsample“的情况，极大的提高了一个预训练模型在各个场景的泛化性(相比于估深度的网络)。从Localization的角度来看，与特征点法VSLAM的区别是：信息来源上完整的使用了1/