建议先看说明：https://blog.csdn.net/qq_33789001/article/details/148009469 TriLib 插件是一个跨平台的运行时 3D 模型导入、加载功能，支持平台有Windows、Mac、Linux、UWP、Android、WebGL 等(目前测了Windows)，支持 FBX、OBJ、GLTF2、STL、ZIP等常用 文件格式；可以完美适配您为游戏/应用添加运行中的模型修改替换功能、创建关卡/场景编辑器、创建 AR/VR 可视化等等功能。支持Standard Render Pipeline/UniversalRP和HDRP全部渲染管线。本文旨在基于该插件实现一个运行中动态选择模型，加载模型并预览的功能。使用Unity 2021.3.27版本Standard Render Pipeline标准渲染管线。本工程基于TriLib_2_-_Model_Loading_Package_2.3.7版本实现，版本差异可能带来功能差异，先导入对应插件，编写对应的UI和逻辑代码，运行选择模型，即可在场景预览对应的模型。关于渲染管线的设置： 创建标准渲染管道项目时，请从包中导入“TriLibCore”文件夹。 创建 HDRP 项目时，请从包中导入“TriLibHDRP”和“TriLibCore”文件夹。 创建 UniversalRP 项目时，请从包中导入 “TriLibUniversalRP” 和 “TriLibCore” 文件夹。 使用自定义渲染管线时，您应该扩展 “MaterialMapper” 类。 我这里使用的srp所以默认导入使用即可。

内容概要：本文档展示了带有选择性核（SK）层的ResNet神经网络模型的构建方法。首先定义了SKLayer类，用于实现通道维度上的注意力机制，通过全局平均池化、全连接层和Sigmoid激活函数来计算特征通道的权重。接着定义了BasicBlock类，它是ResNet的基本构建模块，在其中加入了SKLayer以增强对不同感受野信息的选择能力。最后定义了ResNet类，它由多个BasicBlock堆叠而成，并包含了卷积层、批归一化层、残差连接等组件。文档还提供了一个创建ResNet18模型的函数以及测试网络输出尺寸的代码片段。; 适合人群：有一定深度学习基础，特别是熟悉PyTorch框架并希望深入了解卷积神经网络结构的研究人员或工程师。; 使用场景及目标：①学习如何将注意力机制融入经典的卷积神经网络架构中；②理解ResNet的工作原理及其改进版本的设计思路；③掌握用PyTorch搭建复杂神经网络的方法。; 阅读建议：建议读者先了解ResNet的基本概念，再深入研究代码实现细节，注意观察SKLayer是如何嵌入到BasicBlock中的，同时可以通过调整参数运行测试代码来加深理解。

AIT8x28 ARM9,带WIFI功能

飞书是一个集成了聊天、协作和办公功能的企业级平台，广泛应用于企业内部沟通和协作。飞书机器人（Feishu Bot）是一种强大的工具，允许开发者通过编程接口与飞书进行互动，从而实现自动化消息推送和任务管理。本资源通过飞书机器人推送消息给指定的人或者群组，帮助您快速上手。 使用场景： 1. 在客户服务平台，如电商平台或服务支持系统中集成飞书机器人，当用户提交咨询或投诉后，机器人自动回复初步确认信息并通知客服团队，同时在客服群组中推送通知，加快响应速度。 2. T运维监控系统集成飞书机器人，当服务器故障、系统性能指标异常或安全事件发生时，机器人立刻向IT群组推送报警信息，实现快速响应。 3. 自动化发布CI等操作结果或者测试工程师测试结果可以通过机器人发送到对应的用户或者群组 4. 企业内部使用飞书机器人在工作群组中自动发布每日或每周工作汇报、会议提醒、节假日安排、紧急通知等。例如，每周一早自动推送本周工作计划至部门群，确保每位员工了解本周工作重点。

本文详细介绍了基于STM32的蓝牙遥控小车项目，从硬件选型、接线图到代码实现，全面覆盖了项目开发的各个环节。作者作为自学新手，分享了从零开始完成项目的经验，包括使用STM32F103C8T6最小系统、TB6612电机驱动模块、HC-08蓝牙模块等关键组件的详细配置。文章还提供了完整的代码示例，涵盖了电机控制、蓝牙通信等核心功能，并附带了项目资料下载链接。对于刚接触STM32开发的初学者来说，这是一份非常实用的参考资料。

【多无人机追捕-逃逸】平面中多追捕者保证实现的分散式追捕-逃逸策略研究（Matlab代码实现）内容概要：本文研究了平面中多追捕者对逃逸者的分散式追捕-逃逸策略，提出了一种能够保证追捕成功的控制算法。该策略基于分布式控制架构，各追捕者仅依赖局部信息进行决策，无需全局通信，增强了系统的可扩展性与鲁棒性。文中建立了追捕-逃逸的动力学模型，设计了相应的控制律，并通过理论分析证明了在特定条件下可实现对逃逸者的有效围捕。同时，借助Matlab进行了仿真实验，验证了所提策略在不同场景下的有效性与稳定性，展示了多无人机协同执行追捕任务的可行性。; 适合人群：具备一定控制理论基础和Matlab编程能力，从事多智能体系统、无人机协同控制、博弈论等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于多无人机、多机器人系统在安防监控、目标围捕、应急搜救等场景中的协同控制策略设计；②为研究分布式决策、非完整约束系统控制、对抗性博弈等问题提供算法参考与仿真验证平台； 阅读建议：建议读者结合Matlab代码深入理解算法实现细节，重点关注控制律的设计逻辑与收敛性证明过程，同时可通过调整初始布局、速度参数等开展扩展性仿真试验，以加深对策略性能边界的认识。

【多无人机追捕-逃逸】平面中多追捕者保证实现的分散式追捕-逃逸策略研究（Matlab代码实现）内容概要：本文研究了平面中多追捕者对逃逸者的分散式追捕-逃逸策略，提出了一种保证实现追捕的控制算法，并通过Matlab进行仿真代码实现。该策略基于非合作博弈思想，适用于多无人机协同追捕场景，重点解决了追捕者之间的协同控制、避障以及对逃逸者运动轨迹的预测与围堵问题。文中详细阐述了算法设计原理、数学建模过程及仿真实验结果，验证了所提策略的有效性和鲁棒性。; 适合人群：具备一定控制理论基础和Matlab编程能力的研究生、科研人员及从事无人机协同控制、智能博弈等相关领域的工程技术人员。; 使用场景及目标：①应用于多无人机协同追捕、安防监控、搜救任务等实际场景；②为多智能体系统中的博弈对抗、路径规划与协同控制提供算法支持与仿真验证平台；③帮助研究人员深入理解分散式控制与非合作博弈在动态环境中的集成应用。; 阅读建议：建议读者结合Matlab代码逐步调试运行，重点关注追捕者策略的实现逻辑与仿真参数设置，同时可扩展研究不同初始布局、障碍物环境及通信延迟对追捕效果的影响，以深化对多智能体协同机制的理解。

随着无人机技术的快速发展和应用场景的日益广泛，无人机通信系统中的抗干扰信道分配成为了一个重要的研究领域。特别是在复杂的通信环境下，如何有效地进行信道分配，以减少干扰、提高通信效率和可靠性，是一个极具挑战性的课题。Stackelberg博弈方法以其在对抗性决策问题中的优势，被越来越多地应用于这类问题的解决中。 在无人机边缘计算场景中，无人机需要与多个地面站或基站进行通信，而不同的信道可能会受到不同程度的干扰。传统的抗干扰方法往往无法在动态变化的环境下保持高效性和适应性。采用Stackelberg博弈方法，可以将无人机通信系统中的抗干扰信道分配问题构建为一个博弈模型，通过模拟领导者（leader）和跟随者（follower）之间的动态对抗过程，寻找最优的信道分配策略。 在这一过程中，无人机作为领导者，会根据自己的通信需求以及对周围环境的感知，先做出决策，分配信道资源。而地面站或基站作为跟随者，根据无人机的决策，选择自己的响应策略，进行通信。通过这样的互动，可以有效地减少信道间的干扰，并提高系统的整体性能。 使用Matlab代码实现这一过程，不仅可以对算法进行仿真测试，还能实时观察到信道分配的效果。Matlab作为一种高效的科学计算软件，提供了丰富的数学函数和工具箱，能够很好地支持博弈论中的模型构建和算法实现，这对于复杂通信系统的分析和设计具有重要意义。 此外，除了无人机通信中的抗干扰信道分配问题外，无人机技术在其他领域如路径规划、多微电网、车间调度、有功-无功协调优化、状态估计等方面也有广泛的应用。例如，A星算法和遗传算法的结合用于机器人动态避障路径规划，利用NSGAII算法研究柔性作业车间调度问题，以及利用改进的多目标粒子群优化算法优化配电网的有功和无功协调等。这些技术的实现和应用，都离不开强大的仿真和计算工具，而Matlab正好满足了这一需求。 通过Matlab代码的实现，不仅可以快速验证理论和算法的可行性，还能为实际应用提供一个有力的测试平台，从而推动相关技术的进步。特别是在多智能体系统、网络控制、电力系统等领域，Matlab提供了一种便捷高效的实验和模拟手段，极大地促进了学科的发展和技术的创新。 基于Matlab实现的无人机通信抗干扰信道分配研究，不仅在理论上有其深刻的博弈论背景，在实际应用中也有广泛的需求和前景。无人机技术与Matlab仿真工具的结合，为解决复杂系统中的通信问题提供了一个强有力的解决方案，这对于未来智能通信系统的发展具有重要的意义。同时，Matlab强大的计算和仿真能力，也为其他多领域的技术研究与应用提供了坚实的基础。

本项目简介： 近年来，国家对煤矿安全生产的重视程度不断提升。为了确保煤矿作业的安全，提高从业人员的安全知识水平显得尤为重要。鉴于此，目前迫切需要一个高效、集成化的解决方案，该方案能够整合煤矿安全相关的各类知识，为煤矿企业负责人、安全管理人员、矿工提供一个精确、迅速的信息查询、学习与决策支持平台。 为实现这一目标，我们利用包括煤矿历史事故案例、事故处理报告、安全操作规程、规章制度、技术文档以及煤矿从业人员入职考试题库等在内的丰富数据资源，通过微调InternLM2模型，构建出一个专门针对煤矿事故和煤矿安全知识智能问答的煤矿安全大模型。 本项目的特点如下： 支持煤矿安全领域常规题型解答，如：单选题、多选题、判断题、填空题等 （针对煤矿主要负责人及安管人员、煤矿各种作业人员） 支持针对安全规程规章制度、技术等文档内容回答（如《中华人民共和国矿山安全法》、《煤矿建设安全规程》） 支持煤矿历史事故案例，事故处理报告查询，提供事故原因详细分析、事故预防措施以及应急响应知识

在当今数字化时代，深度学习和计算机视觉领域的应用需求迅速增长。其中，目标检测技术作为一项关键技术，广泛应用于视频监控、无人驾驶汽车、医疗影像分析等领域。YOLO（You Only Look Once）系列算法因其速度快、准确性高的特点，在实时目标检测领域占据重要地位。YOLOv3作为该系列的第三个版本，在保持了高效率的同时，进一步提升了检测精度。 华为云ModelArts是一个一站式AI开发平台，提供了模型训练、模型部署和AI应用开发等多种服务，它集成了强大的计算资源和AI算法能力，使得开发者能够在云端快速进行AI模型的训练和部署。ModelArts支持多种主流的深度学习框架，包括PyTorch，用户可以方便地利用云端的GPU资源进行模型训练和推理。 PyTorch是一个由Facebook开发的开源机器学习库，以Python为接口，它被广泛用于计算机视觉和自然语言处理等任务。YOLOv3的PyTorch实现版本因为其易于理解和操作的特点，成为了众多研究者和开发者的首选。 将PyTorch版本的YOLOv3部署在华为云ModelArts平台上进行训练和预测，意味着开发者可以在云端获得强大的计算能力，同时享受到模型训练和部署的便捷。此外，ModelArts的在线预测功能可以实时处理用户上传的数据，并返回检测结果，极大地提高了应用的响应速度和实用性。 在实际操作过程中，用户首先需要准备好数据集，然后将数据集上传到ModelArts平台上。接下来，用户可以编写相应的训练脚本，并利用ModelArts提供的GPU资源进行模型训练。训练完成后，模型会被自动保存，用户可以通过ModelArts的在线预测功能，上传新的数据进行实时检测。 除了日常的模型训练和在线预测之外，ModelArts平台还支持参赛发布功能，用户可以将自己的模型配置为参赛作品，参与到各种AI竞赛中去。这为那些希望在AI竞赛中展示自己技能的研究者和开发者提供了便捷的途径。 YOLOv3的模型部署和训练，尤其是结合了ModelArts的强大功能后，为计算机视觉领域带来了许多便利。无论是从模型的快速训练到在线预测，还是参与AI竞赛，都能够极大地提高效率，推动AI技术的实际应用。 YOLOv3作为当前目标检测领域的一个重要算法，结合了华为云ModelArts平台的强大资源和便捷操作，为开发者和研究人员提供了一个强大的工具，使得实时目标检测和相关应用的开发更加高效和可靠。