具身神经-机器人运控通讯架构与实现系列

优质文章学习记录

— 1 min read

具身智能热潮之下，大量企业投身具身行业。在机器人本体控制方案上各家争鸣，但是试错路径太长，不少团队会在底层控制方案上走大量的弯路，导致资源浪费、项目延期甚至破产。

以第一性原则，探索当前具身机器人通讯架构实现最优解，加速具身机器人行业底层控制（通讯）系统技术方向收敛。尽可能帮助机器人本体系统工程师减少试错。

本系列仅针对机器人本体控制系统底层通讯部分：小脑<--->执行器/传感器之间的架构和具体实现。

gitee链接：https://gitee.com/Lenz_s_law/embodied-nerve

博文汇总

欢迎投稿

通讯架构分析篇

CAN/FD技术篇

  • CAN/FD总线性能分析-机器人应用
  • 机器人CAN/FD总线通讯架构设计
  • 机器人CAN/FD接口关键性能指标
  • 机器人CAN/FD接口扩展/实现方案

EtherCAT技术篇

内容待补充

机器人通讯模组计划

高性能USB-CANFD工具普及计划（非盈利性推广）

开源具身运控模块：EtherCAT-CANFDX4-OP

参考智元DCU方案设计，项目链接： https://gitee.com/ChengDu-KunHong/kh-ethercat-canfdx4-op.git

Read more

实现Python将csv数据导入到Neo4j

实现Python将csv数据导入到Neo4j

目录 一、获取数据集 1.1 获取数据集 1.2 以“记事本”方式打开文件 1.3  另存为“UTF-8”格式文件 1.4 选择“是” 二、 打开Neo4j并运行 2.1 创建新的Neo4j数据库 2.2 分别设置数据库名和密码 编辑 2.3 启动Neo4j数据库 2.4 打开Neo4j数据库  2.5 运行查看该数据库是否为空 三、打开Python创建项目  3.1 创建一个包，存项目 3.2 创建一个项目 3.3 检查自己的依赖是否完全
基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现

基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现

基于FPGA的CLAHE自适应限制对比度直方图均衡算法硬件verilog实现 摘要：本文详细阐述了基于 FPGA 的 CLAHE（自适应限制对比度直方图均衡）算法的硬件verilog实现方案。CLAHE是一种强大的图像增强算法，广泛应用于医学影像、红外成像、低照度增强等领域。本文将从算法原理出发，深入讲解各模块的RTL架构设计，包括坐标计数器、直方图统计、CDF计算、双线性插值映射以及乒乓RAM管理等核心模块的实现细节。 项目开源地址：https://github.com/Passionate0424/CLAHE_verilog 开源不易，辛苦各位看官点点star！！ 一、CLAHE算法基本原理 1.1 算法背景 CLAHE（Contrast Limited Adaptive Histogram Equalization，对比度受限的自适应直方图均衡）是对传统自适应直方图均衡（AHE）的改进。AHE通过将图像划分为多个子区域（称为 “Tiles”），对每个Tile独立进行直方图均衡化，从而适应图像的局部特性。然而，AHE在噪声较大的平坦区域（如天空、

无人机视觉语言导航从入门到精通（一）：什么是无人机视觉语言导航

无人机视觉语言导航从入门到精通（一）：什么是无人机视觉语言导航 摘要 视觉语言导航（Vision-Language Navigation, VLN）是人工智能领域的前沿研究方向，它使智能体能够根据自然语言指令，在视觉环境中自主导航至目标位置。当这一技术应用于无人机平台时，便形成了无人机视觉语言导航（UAV Vision-Language Navigation）这一新兴研究领域。本文作为系列博客的开篇，将系统介绍视觉语言导航的基本概念、问题形式化定义、核心挑战、应用场景，并对整个系列的内容进行导读。 关键词：视觉语言导航、无人机、多模态学习、具身智能、自然语言处理 一、引言 1.1 从一个场景说起 设想这样一个场景：你站在一个陌生城市的街头，手中拿着一架小型无人机。你对无人机说："飞到前方那栋红色建筑的左侧，然后沿着河边向北飞行，在第二座桥附近降落。"无人机收到指令后，自主起飞，识别周围环境中的建筑、河流、桥梁等地标，规划路径，最终准确到达你所描述的位置。

91n边缘计算设备部署轻量TensorFlow模型全流程

91n边缘计算设备部署轻量TensorFlow模型全流程 在工厂车间的流水线上，一台不起眼的小型嵌入式设备正实时分析摄像头传来的图像——它没有连接云端，也不依赖高性能GPU，却能在200毫秒内判断出产品表面是否存在划痕，并立即触发报警。这背后的核心技术，正是基于“91n”类边缘计算设备与轻量化TensorFlow模型的深度融合。 这类设备算力有限、内存紧张，却承担着工业智能化转型中最关键的一环：让AI真正落地到生产现场。而要实现这一目标，不仅需要合适的硬件平台，更离不开一套高效、稳定、可规模化的软件部署方案。TensorFlow Lite 正是在这样的需求背景下脱颖而出，成为当前工业级边缘AI应用的主流选择。 TensorFlow Lite 的工程实践价值 为什么是 TensorFlow Lite？这个问题的答案，藏在每一次模型转换、每一行推理代码和每一个实际部署案例中。 作为 TensorFlow 针对移动端和嵌入式场景优化的轻量版本，TFLite 并非简单地“裁剪”功能，而是从底层重新设计了推理引擎。它的核心逻辑可以概括为三个阶段：模型转换 → 解释器加载 → 本地推理