-
如何通过LanderPi将 ROS 2、3D 视觉和多模态语言模型结合在一起
在业余机器人领域，我们已经超越了简单的直线跟随和障碍物避让阶段。新的前沿领域是具身人工智能——这类系统不仅“运行代码”，而且能够实际感知、推理并在一个动态环境中行动。LanderPi 是一款复合机器人，旨在展示这种“三重威胁”整合技术：SLAM 导航、多模态大型语言模型(LLMs)以及 3D 计算机视觉。
-
搭载 LanderPi 的体感式人工智能：将大型语言模型、ROS 2 和 3D 视觉技术融合在一起
业余爱好者和教育类机器人技术的领域正在发生转变。机器人不再仅仅需要按照预先设定的程序循环运行;现在的目标是“具身人工智能”——即能够感知周围环境、理解自然语言意图并自主执行复杂任务的机器。LanderPi 是一款复合机器人，旨在探索这一前沿领域，它充当了高级推理与实际操作之间的桥梁。
-
如何将 Raspberry Pi 转变为一款专业级、开源的四足机器人
如果你的 Raspberry Pi 在充当媒体中心或复古游戏机一段时间后被闲置在抽屉里了，那现在是时候给它换个新“工作”了。本指南将带你完成一项硬件升级，将你闲置的 Raspberry Pi 转变为一款专业级、开源的四足机器人——希沃德小狗版 Raspberry Pi 的大脑。这可不是一般的项目，而是要为闲置的计算核心赋予新的躯体和新的使命。
-
基于树莓派5和ROS 2构建现代机器人
开始接触机器人和人工智能可能会让人望而生畏。复杂的设置、支离破碎的软件以及对硬件成为金钱坑的恐惧，许多初学者甚至在编写第一行代码之前就遇到了瓶颈。TurboPi套件旨在打破这些障碍，提供一个预先配置的一体化平台，让你在几分钟内从开箱到运行的人工智能机器人。
-
KRS Unleashed: 1——开始
Kria机器人堆栈(KRS)是由硬件加速工作组(HAWG)开发的机器人操作系统(ROS 2)的超集。它最初是由Xilinx/AMD为他们的Kria SoM系列开发的，通过将他们的Vitis统一工具链集成到ROS 2中，将硬件加速引入机器人生态系统。关于如何使用KRS和FPGA机器人实现第一个项目的文章已经发表，如Whitney Knitter的系列。
-
KRS Unleashed: 2——操作系统工作区
这里介绍了第一个工作区，即OS工作区。当前的OS Workspace支持两种不同的发行版，每种发行版都有自己独特的流程和优势。尽管Ubuntu流程简单易用，但Petalinux流程是否支持更广泛的高级功能，并加深了对整个系统的理解?此外，它允许更复杂的解决方案与强化的操作系统或减少图像大小。
-
KRS Unleashed: 4——Vitis工作区
本文将介绍新开发的自动化Vitis工作区流。原始的KRS流自动将内核生成到配置在ROS 2包的CMakeLists.txt中的xclbin中，但目前未使用。虽然原始流程允许在ROS 2中直接生成内核，但在开发新内核时，该流程很难使用。由于v++的大部分输出都隐藏在CMake命令之后，开发人员几乎得不到任何反馈。此外，测试和调整配置不是微不足道的，需要在CMake中显式配置。由于直接调用了v++编译器，因此之后不存在以更图形化的方式检查结果的项目，这需要进一步的专业知识。
-
KRS Unleashed: 5——在板子上运行
本文将介绍整个过程的最后一步。在前面的文章中，我们构建了SD卡和sysroot，交叉编译了应用程序，并将内核开发为xclbin文件。现在，我们需要将所有内容放到板子上，设置xclbin位流并启动应用程序。
-
构建手控机器人
该项目旨在创建一个开放的，制造商友好的机器人平台，提供实时的，完全在设备上的手部检测和跟踪，所有这些都完全由边缘计算驱动。它在设备内置的神经处理单元上运行Edge Impulse优化的YOLO-Pro对象检测模型，以极低的功耗提供超过60 FPS的低延迟推理。ROS 2作为实时编排主干，清晰地分离感知、控制和驱动节点，这使得系统在手势识别、远程操作或协作机器人等应用程序中具有高度可扩展性。
-
自主类人机器人采用Edge Impulse YOLO-Pro模型在Particle Tachyon上与Qualcomm AI加速器进行球检测和踢
该项目展示了一个自主的类人机器人，利用粒子速子和高通人工智能加速器来检测和踢球，使用边缘脉冲训练的YOLO-Pro模型。机器人利用ROS 2实现感知、决策和运动控制的无缝集成。YOLO-Pro模型可实现高精度的实时球检测，并针对高通AI加速器的边缘部署进行了优化。该系统处理视觉输入，规划轨迹，并自动执行精确的踢脚动作。这种创新的设置展示了嵌入式人工智能、边缘计算和机器人技术在动态、现实世界任务中的协同作用。
