在 Windows 上安装和编译 llama.cpp

在 Windows 上安装和编译 llama.cpp

1.1 环境准备

1.1.1 安装mingw

下载地址:mingw-builds-binaries

在这里插入图片描述

解压后,将 bin 目录加入环境变量,例如:E:\dev\mingw64\bin

验证安装是否成功:

g++ -v

1.1.2 安装w64devkit

下载地址:w64devkit Releases

在这里插入图片描述

解压后,将 bin 目录添加到系统环境变量,例如:E:\dev\w64devkit\bin

1.1.3 安装 CMake

访问 CMake 官网,下载 Windows x64 ZIP(注意:不是安装包)。

在这里插入图片描述

解压后,将 bin 目录添加到环境变量,例如:E:\dev\cmake-4.0.3-windows-x86_64\bin

验证是否成功:

cmake --version

2.2 克隆 llama.cpp

git clone https://github.com/ggerganov/llama.cpp 

3.3 编译

3.3.1 使用 CMake 构建(新版)

说明:llama.cpp 官方已废弃原来的 Makefile 构建方式,推荐改用 CMake 构建方式 来编译模型工具和推理引擎。

编译 llama.cpp:

如果本地有安装Visual Studio,推荐使用 Visual Studio + CMake 进行构建(适用于 Windows 用户,兼容性最佳):
cd path/llama.cpp mkdir build cd build # 使用 Visual Studio 生成项目 cmake ..-G "Visual Studio 17 2022"-A x64 -DLLAMA_CURL=OFF # 或 使用 w64devkit和mingw 生成项目 cmake ..-G "MinGW Makefiles"-DLLAMA_CURL=OFF # 编译 Release 模式 cmake --build .--config Release 

如果一切正常,你会在 build/bin/Release 目录下看到生成的程序。

Read more

机器人标准DH(SDH)与改进DH(MDH)

机器人标准DH(SDH)与改进DH(MDH)

首先说一下为什么要写这一篇博客,就是为了提醒大家要明确区分标准DH和改进DH。很多机器人初学者只知道用DH法建立串联机器人连杆坐标系,然后在看书或者使用DH的时候很糊涂的就模糊了这标准DH和改进DH的区别,最大的坑就是:一些比较老的机器人学教科书用的是标准DH,而现在比较新的机器人书或者说我们大部分用的都是改进DH,这就导致老的教科书里面的一些公式推导和新的网上找的代码不一致,就会比较麻烦。 一:改进DH法 建立连杆坐标系: 使用改进D-H参数,将 坐标系定义在i 连杆的前端关节: 二:标准DH与改进DH法的区别 我们知道一个连杆有两端,一端离基座近,一端离基座远。简单的来说,标准DH将坐标系i建立在连杆i离基座近的一端,改进DH建立在离基座远的一端。 2.1 机器人连杆与关节的标号 先标号,再建系。 连杆编号:基座为杆0,从基座往后依次定义为杆1,杆2,…,杆i; 关节编号:杆i离基座近的一端(近端)的关节为关节i,远的一端(远端)为关节i+1。 为便于理解,这里我把连杆的近端用绿色表示,远端用橙色表示,且远端驱动近端转动。大家只要记住一句话,连杆近端关节

Isaac Lab 机器人强化学习实战:配置架构、机器人添加流程与调参技巧全解析

Isaac Lab 机器人强化学习实战:配置架构、机器人添加流程与调参技巧全解析

0. 前言 Robot Lab 是基于 NVIDIA Isaac Lab 构建的机器人强化学习扩展库,专注于足式机器人的运动控制任务。该项目由 Ziqi Fan 开发维护,目前已支持包括 Unitree Go2、G1、H1 在内的十余款主流机器人平台。与原生 Isaac Lab 相比,Robot Lab 提供了更加完善的奖励函数库、域随机化配置以及针对不同机器人形态优化的训练参数。 在深入技术细节之前,有必要先理解 Isaac Lab 的基本架构。Isaac Lab 构建于 Isaac Sim 之上,采用分层设计:最底层是 Omniverse 渲染引擎与 PhysX 物理引擎,中间层是 Isaac Sim 提供的机器人仿真接口,最上层则是

AR系列摄像头完整发展历程及参数规格

第一代:基础AR识别传感器(2010-2014) 型号分辨率帧率FOV深度技术应用领域AR03302304x129660fps120°单目SLAM早期AR眼镜AR05212592x194430fps90°结构光工业ARAR05422688x152060fps100°ToF移动ARAR08353840x216030fps80°立体视觉专业AR 第二代:深度感知系列(2015-2018) 型号分辨率帧率FOV深度技术AR特性AR13354208x312030fps120°双摄深度手机ARAR13454224x313660fps130°主动立体VR/AR头显AR14454656x349690fps140°iToF手势识别AR18204896x367230fps100°激光雷达自动驾驶AR 第三代:AI增强系列(2019-2021) 型号分辨率帧率FOVAI特性应用场景AR20205120x3840120fps150°实时SLAM工业ARAR23456480x486060fps160°语义分割医疗ARAR28358192x614430fps170°神经渲染元宇宙A

电子战侦察干扰技术在反无人机领域的技术浅析

电子战侦察干扰技术在反无人机领域的技术浅析

一、技术核心原理:电磁频谱的攻防博弈 电子战侦察干扰技术的核心是通过电磁信号的 “侦 - 识 - 扰” 闭环,破坏无人机的通信链路、导航系统或控制指令传输,实现 “软杀伤” 反制。其中,PDW(脉冲描述字)是连接侦察与干扰的核心数据载体,其生成质量、脉冲检测精度直接决定干扰有效性。技术逻辑优化为: 1.1 电子侦察:PDW 生成的全流程解析 电子侦察的核心产出是标准化 PDW,通过对无人机脉冲信号的多维度参数提取,形成可用于识别与干扰的数字特征集,具体流程如下: 1. 信号采集与预处理 数字信道化接收机(如多相滤波架构)接收无人机射频信号(通信 / 导航频段),通过 IQ 基带采样转换为数字信号,消除噪声与信道失真影响。针对无人机常用的短脉冲信号(部分通信脉冲宽度≤0.1μs),采用多相滤波信道化处理提升接收灵敏度,避免传统接收机的 “兔耳”