自动驾驶中的视觉感知与传感器融合是什么?
“自动驾驶的汽车怎么看路?”这个问题背后是一个完整的感知体系:摄像头、激光雷达、毫米波雷达、超声波传感器各看一段信息,视觉感知负责把图像变成“哪里有车、是什么”,传感器融合负责把多路信息拼成一幅可信的世界模型。本篇讲清楚:单靠摄像头为什么不够、视觉感知的流水线长什么样、前/中/后融合三种架构怎么选,以及工程上最容易翻车的时间同步与标定问题。1 为什么一辆车要装这么多传感器图 6-1 典型量产车传感
FreeRTOS中创建任务需要哪些基本参数?
FreeRTOS 中创建任务最常用的动态创建 API 是 xTaskCreate()。它从 FreeRTOS 管理的堆中为任务控制块(TCB)和任务栈分配内存,完成任务的初始化并加入就绪队列。本文整理该函数的六个基本入参、返回值、最小代码示例以及常见使用注意事项,供嵌入式开发时快速查阅。一、函数原型xTaskCreate() 的函数原型如下,共包含六个参数:二、六个基本参数各参数的类型与作用如下表
PyTorch中Tensor是什么? 与NumPy数组有什么区别?
如果你刚接触 PyTorch,第一个问题往往是:Tensor 到底是什么?它和 NumPy 的 ndarray 看起来很像,究竟有何不同?简单来说,Tensor 是 PyTorch 中最核心的数据结构,是一个支持 GPU 加速和自动微分的多维数组。而 NumPy 的 ndarray 是 Python 科学生态中最基础的多维数组,只运行在 CPU 上。本文将带你一次性搞懂两者的区别。一、什么是 Py
FreeRTOS 任务调度原理:优先级抢占、时间片轮转与上下文切换的底层实现
在嵌入式实时操作系统领域,FreeRTOS凭借其轻量级、可裁剪和高实时性的特性,成为资源受限场景的首选解决方案。任务调度作为FreeRTOS的核心机制,决定了系统的响应速度和资源利用率,其底层实现融合了优先级抢占、时间片轮转和上下文切换三大核心技术,构建了高效的多任务执行环境。一、优先级抢占:实时性的核心保障FreeRTOS的调度器默认采用基于优先级的抢占式调度策略,这是其实现高实时性的关键。在该
神经网络架构搜索(NAS):强化学习与可微分
一 概述在深度学习领域中,神经网络结构设计对模型性能具有决定性影响。传统方法依赖专家经验进行手工设计,不仅效率低,而且难以探索最优结构。为此,神经网络架构搜索(Neural Architecture Search, NAS)被提出,用于自动化设计网络结构。目前主流的NAS方法主要包括基于强化学习的方法和基于可微分优化的方法。前者通过策略学习搜索结构,后者则将结构搜索转化为连续优化问题,大幅提高效率
RAG到底是什么?从文档切分、Embedding到向量检索完整解析
在ChatGPT掀起的大模型浪潮中,RAG(Retrieval-Augmented Generation,检索增强生成)是最受关注的技术之一。它让大模型能够「外挂」外部知识库,回答训练数据之外的私有数据或实时信息问题。本文从文档切分、Embedding到向量检索,拆解RAG核心原理,并给出可运行的Python代码。一、文档切分(Chunking):把大象放进冰箱的第一步大模型上下文窗口有限,长文本
什么是实时操作系统(RTOS)?嵌入式操作系统基础知识解析
从智能门锁、可穿戴设备到工业机器人、汽车电子系统,嵌入式设备的稳定运行都离不开底层操作系统的支撑,其中实时操作系统(RTOS)凭借强实时、高可靠、低资源占用的特点,是嵌入式开发的核心技术,也是嵌入式工程师的必备技能。FreeRTOS作为当前业界应用最广泛的RTOS实现,也是学习RTOS核心原理的首选载体。一、RTOS是什么?实时操作系统(Real Time Operating System,简称R
FreeRTOS任务通信机制一次理清: 队列、信号量、互斥量到底有什么区别?
一、前言在FreeRTOS多任务开发中,新手最容易混淆的就是队列(Queue)、信号量(Semaphore)、互斥量(Mutex)。很多人只记住API函数,却分不清什么时候用队列,什么时候用二值信号量,保护共享资源为什么不能随便用二值信号量而要用互斥量。一句话总纲:队列:传递数据,任务之间搬运消息;信号量:事件通知 / 资源计数,只传递“事件发生”或“资源可用数量”,不带数据;互斥量:保护共
深度学习中的损失函数与优化算法基础知识
在深度学习工程中,损失函数定义目标,优化算法决定路径——二者共同构成了模型训练的“方向盘”与“油门”。损失函数量化预测与真实值的差距,优化算法则通过梯度信息迭代更新参数,使损失不断下降。本文系统梳理深度学习中主流损失函数(回归、分类、生成任务)与优化算法(梯度下降变体、自适应学习率方法)的原理、特性及选型建议,并结合工程实践给出训练调优指南。一、为什么损失函数与优化算法至关重要?模型结构决定了表达
栈、队列、链表分别适合什么场景?嵌入式数据结构选型指南
在嵌入式开发中,数据结构的选型从来不是 “随心所欲” 的语法选择,而是资源、实时性、稳定性、内存开销的综合博弈。嵌入式设备普遍存在 RAM 极小、CPU 主频低、实时性要求高、禁止内存碎片、异常必须可控等特点。很多新手开发者照搬 PC 端的编程习惯,乱用数组、链表、动态内存,最终导致设备卡顿、堆栈溢出、死机、内存泄漏等疑难问题。栈、队列、链表是嵌入式系统最基础、最高频、最核心的三种线性数据结构,覆
大模型的上下文窗口是什么意思
一、从一个常见现象说起你一定遇到过这样的场景:跟一个 AI 聊了很久,聊到第几十轮时,它突然"忘了"你开头说过的话;或者你把一份几十页的 PDF 丢给它,它只读到了前几页就开始回答。这不是模型"变笨"了,而是它撞上了一堵墙——上下文窗口(Context Window)。本文就来聊清楚:上下文窗口到底是什么、它如何影响我们使用大模型、以及当需求超出窗口时,工程
STM32上拉输入与下拉输入:如何做出正确选择?
在STM32的GPIO配置中,输入模式的选择是确保信号稳定读取的基础。面对上拉输入(IPU)和下拉输入(IPD)这两种最常用的模式,许多开发者常常感到困惑。其实,选择的关键并不在于模式本身,而在于你的外部硬件电路设计。核心原则:由外部电路决定选择上拉还是下拉,最根本的原则是:你的外部信号源在空闲(未触发)状态下,期望引脚处于什么电平?选择上拉输入(IPU): 当你的外部电路在空闲时,期望引脚为高电
准确率、精确率和召回率怎么理解?
在人工智能、机器学习、深度学习项目中,准确率、精确率、召回率是最基础、最高频、也最容易混淆的三大模型评估指标。不管是分类模型训练、数据集调优、模型效果对比,还是算法岗笔试面试、项目答辩,这三个指标都是必考核心。很多新手只会背公式、看数值,却完全不懂三者的适用场景和取舍关系:为什么准确率很高模型却完全不能用?为什么工业界更看重召回率而非准确率?精确率和召回率为什么永远是此消彼长的关系?绝大多数AI初
怎么成为Agent 智能体开发工程师?
金九银十,秋招大战已经拉开帷幕。打开各大招聘平台不难发现:Agent 智能体开发相关岗位正在持续释放招聘需求,不再是少数大厂的试点业务,大量企业开始把智能体落地作为技术迭代的重点方向。很多应届生、非科班同学会产生疑问:Agent 开发到底做什么?需要很高的算法功底吗?零基础能不能入局?简历要准备哪些项目?01.什么是 Agent 智能体开发工程师?简单来说,Agent 就是可以自主完成任
数组指针与指针数组有什么区别?
前言在嵌入式C语言开发中,指针数组和数组指针是最容易写出隐性Bug的两个知识点。不同于上层软件开发,嵌入式开发对内存布局、地址偏移、参数传参、栈内存占用极度敏感,很多看似能正常编译的代码,实则暗藏越界访问、内存踩踏、函数传参失效、硬件数据读取异常等问题。很多小白只会死记硬背口诀:“指针数组是数组,数组指针是指针”,但完全不懂内存分布差异、寻址逻辑、传参本质、适用场景。在实际项目中:串口协议解析、多
OpenCV中颜色空间有哪些区别
一、颜色空间在OpenCV中的基本概念1. 颜色空间不是“颜色名称”,而是像素表达方式同一张图像可以用不同坐标来描述颜色。BGR/RGB直接记录蓝、绿、红三通道;HSV把颜色拆成色相、饱和度和明度;Lab把亮度和接近人眼感知的颜色差异分开。颜色空间不同,算法看到的“距离”“亮度”“颜色变化”也会不同。2. OpenCV默认使用BGR顺序OpenCV中cv2.imread读取的彩色图通常是BGR,而
神经网络中的损失函数是什么
一、损失函数的核心定义损失函数(Loss Function)是神经网络训练的核心核心数学工具,用于定量衡量模型预测结果与真实标签的误差大小。通俗来说,就是给模型的“预测错误”打分:分数越高,代表模型预测偏差越大、效果越差;分数越低,代表预测结果越贴合真实值,模型性能越好。神经网络的训练本质,就是通过反向传播算法,持续迭代优化模型参数,不断最小化损失函数数值的过程。它是模型学习、迭代优化的唯一评判依
Linux进程间通信方式基础梳理
Linux 中进程是独立的资源调度单元,每个进程拥有独立的虚拟地址空间,进程之间默认无法直接访问彼此的数据。进程间通信(IPC,Inter-Process Communication)是Linux提供的一组机制,用于实现不同进程之间的数据传输、消息传递、状态同步与资源协调,是多进程程序开发、服务器架构设计的核心基础。本文将系统梳理Linux所有主流IPC方式的原理、特性、优缺点及适用场景。一、IP
卷积层、池化层与全连接层的作用及工作机制分析
一、前言在深度学习视觉任务里,CNN卷积神经网络是绝对的基础。不管是日常用到的图像分类、目标检测,还是图像分割模型,像ResNet、YOLO、MobileNet这些热门网络,核心组成都离不开三个基础模块:卷积层、池化层、全连接层。很多新手学CNN都会踩同一个坑:只会照着代码堆叠网络,根本不清楚每一层到底在干什么。不知道卷积怎么提取特征、池化为什么要降维、全连接如何完成分类,最后导致网络乱搭、模型不
8位单片机与32位单片机的深层差异
探究8位单片机与32位单片机的深层差异在当今这个科技日新月异的时代,单片机作为嵌入式系统的核心组件,其发展速度之快令人瞩目。从早期的4位、8位,到后来的16位、32位乃至更高位数的单片机,每一次技术的飞跃都极大地推动了电子行业的发展。在众多类型的单片机中,8位和32位单片机因其各自独特的优势而广泛应用于不同的场景。本文旨在深入探讨这两种单片机之间的根本区别,帮助读者更好地理解它们的特性及适用领域。