本文介绍了一个基于Kubernetes的GPU资源调度与成本优化系统项目。该项目通过利用Kubernetes原生功能（如Namespace隔离、ResourceQuota配额控制、NodeAffinity节点亲和性、PriorityClass优先级调度等），构建了一套GPU资源管理机制。项目特点包括：1）在本地kind集群模拟GPU调度场景，验证资源隔离、配额超限处理等关键问题；2）开发了可视化仪

这个项目可以理解为一个小型的大模型推理平台雏形。它没有追求复杂的业务功能，而是把重点放在推理服务的工程化链路上：Gateway、鉴权、限流、监控、压测、Kubernetes 部署和CI。如果只是做大模型应用，直接调用 API 就够了。但如果想往 AI Infra、云原生、平台工程方向深入，就必须理解模型服务背后的这些基础设施能力。这个项目也算是我对这条技术路线的一次实践。

在这篇文章中，我将和大家一起来讨论6DOF建模、ADRC控制器设计、领导者-跟随者编队控制，以及基于MCP服务的AI辅助开发实践。无人机集群协同控制是当前无人机领域的研究热点，其核心挑战在于：单机控制精度：四旋翼是欠驱动、强耦合的非线性系统集群协调能力：多机之间需要保持相对位置并避免碰撞抗扰动能力：实际飞行中存在风扰、负载变化等不确定因素本项目选择 ADRC（自抗扰控制） 作为核心控制算法，原因在

在这篇文章中，我将和大家一起来讨论6DOF建模、ADRC控制器设计、领导者-跟随者编队控制，以及基于MCP服务的AI辅助开发实践。无人机集群协同控制是当前无人机领域的研究热点，其核心挑战在于：单机控制精度：四旋翼是欠驱动、强耦合的非线性系统集群协调能力：多机之间需要保持相对位置并避免碰撞抗扰动能力：实际飞行中存在风扰、负载变化等不确定因素本项目选择 ADRC（自抗扰控制） 作为核心控制算法，原因在

在这篇文章中，我将和大家一起来讨论6DOF建模、ADRC控制器设计、领导者-跟随者编队控制，以及基于MCP服务的AI辅助开发实践。无人机集群协同控制是当前无人机领域的研究热点，其核心挑战在于：单机控制精度：四旋翼是欠驱动、强耦合的非线性系统集群协调能力：多机之间需要保持相对位置并避免碰撞抗扰动能力：实际飞行中存在风扰、负载变化等不确定因素本项目选择 ADRC（自抗扰控制） 作为核心控制算法，原因在