人工智能 嵌入式软件 软件定制 案例

### 多 Agent 智能协作 6 个专业 Agent（Sisyphus、Code Analyzer、Programmer、Refactor Master、Test Expert、Librarian）通过 4 种协作模式（Sequential、Parallel、Debate、Main-with-Helpers）智能协作。基于意图识别自动选择 Agent，并行执行提升效率，自动综合多专家意见。 ### 深度代码理解 集成 LSP（Language Server Protocol）、AST（抽象语法树）分析和语义代码搜索。支持 Python、JavaScript、TypeScript 等主流语言，提供类型推导、引用分析、基于向量的语义检索。自动识别代码结构和依赖关系。 ### 智能编排系统 7 种编排策略（Simple、ReAct、Multi-Agent、Parallel、Conditional、Workflow、Sisyphus）自动选择最优方案。ReAct 模式支持推理-行动循环，条件分支实现动态决策，并行执行提升性能。 ### 完整工具链 34+ 专业工具，包含项目理解（文档发现、结构分析、代码地图）、代码搜索（文本、正则、语义、AST）、LSP 工具（诊断、跳转、引用、重命名）、文件操作（读写、批量操作、补丁）、Git 工具（状态、差异、日志）。 ### 智能记忆系统 分层存储架构（会话级、用户级、全局级），对话树结构支持多分支，智能压缩和摘要，相关性检索。多轮对话保持上下文，记住用户偏好和习惯，跨会话知识复用。 ### Skill 配置系统 14+ 预置技能，灵活的 Prompt 模板，工具和编排器配置，可扩展的技能定义。YAML 配置驱动，Jinja2 模板引擎，动态加载和热更新。

该项目是将ai、康养陪护、日常净饮等方面融合的产物。涵盖了微信小程序端、后台运营端、安卓硬件端。用户可以通过微信扫码进行绑定设备和人员，设置自己喜爱的小辈们的声音作为安卓端音色，进行别样的人机交互生活，从而使得数据流入后台。通过算法或手动触发或语音唤醒等方式进行紧急情况的呼救

立项背景 在无人机目标识别场景中，有时需要在同一系统中同时完成多类目标或多任务的识别。如果为每个任务分别部署独立模型，将导致模型参数量大、推理效率低、部署和维护成本高。 因此，有必要在保证检测效果的前提下，通过结构设计实现多任务目标检测的统一与优化。 立项目标 基于 YOLO 目标检测框架，设计并实现一种共享主干网络的多目标识别方案，通过引入多 Head / Neck 结构，在同一模型中完成多个检测任务，降低整体参数量和计算开销，提高系统的实用性与部署效率。 二、软件功能与核心模块介绍 1. 软件功能介绍 支持基于 YOLO 的多目标检测 支持多个检测任务在同一模型中并行执行 通过共享主干网络减少模型参数规模 支持图片与视频流输入 提供检测结果的可视化输出 2. 核心模块介绍 （1）特征提取模块（Backbone） 负责对输入图像进行统一的特征提取，作为多个检测任务的共享基础，减少重复计算。 （2）特征融合模块（Neck） 针对不同任务配置独立的特征融合结构，在共享特征的基础上增强各任务的表达能力。 （3）检测头模块（Head） 为不同任务分别设置检测头，完成各自的目标分类与位置回归。 三、业务流程与功能背景介绍 1. 功能背景介绍 在多任务目标检测场景中，传统方案通常采用多个独立模型分别处理不同任务，存在资源占用高、系统复杂度高的问题。本项目通过统一模型结构，实现多任务目标检测的集中处理，更适合对性能和资源敏感的应用场景。 2. 业务流程说明 2.1. 训练流程 收集多任务标注数据，每个任务拥有独立的训练集 数据统一格式，方便输入共享主干网络 所有任务的数据都会用于更新共享的 Backbone，确保基础特征表示能力适用于所有任务 Backbone 学习通用特征，减少模型参数重复 每个任务独立训练自己的 Neck 与 Head 模块 根据任务目标进行优化，保证任务专有特征有效提取 与共享 Backbone 协同工作，实现多任务并行优化 训练过程中，Backbone 与各任务分支交替优化 最终得到既共享通用特征，又具备多任务检测能力的模型 2.2 使用流程 Backbone 对输入数据提取通用特征，作为多任务检测基础 各任务独立的 Neck & Head 模块接收共享特征 输出各自的检测结果（如不同目标类别或任务指标） 将各任务检测结果汇总 支持视频流叠加显示或输出结构化数据（CSV/JSON） 汇总检测结果并进行可视化输出

在这个项目中，我们三人一组，主要实现的功能是利用Vivado软件操作平台在ZedBoard-zynq-7000c484开发板平台上实现卷积神经网络算法优化的目标。 通过上述优化，在相同硬件资源条件下，最终实现的运算速度比传统计算快183倍，比硬件优化方法快20%。这个项目获得了全国集成电路创新创业大赛二等奖。 我们的总体设计方法是这样的，首先在 C++平台上实现卷积核算法和反卷积算法，然后通过 vivado HLS 仿真进行总线带宽、pipeline、内部缓存、计算单元等方面硬件的优化，仿真波形和实际相符后，生成相应的 IP 核，vivado 导入 IP 核和 zynq7000 进行实物仿真，经过验证正确后烧入 fpga。图像从电脑端通过串口输入开发板，由于片内缓存不足以一次性存储1024个channel的150*150的图像，所以采用动态缓存的办法，Zynq 边对图像进行卷积处理，边从特征 cache 读取图像数据，一个 channel 处理完成后立即输出至 SDSDRAM（输出数据量较小），并空出相应的缓存资源供后续 channel的图像使用。我们将开发板的 8 个 LED 设置为输出结果，板上运行时，可通过 LED判断输出波形。

本项目开发出基于人脸检测与跟踪算法的远程驾驶系统。驾驶员通过脸部的细微运动即可远程控制车辆的行驶，解放了双手。项目的核心是基于 AdaBoost 算法的人脸检测与跟踪技术以及基于 TCP-SOCKET 的远程通信技术。项目的关键技术难点在于人脸检测的准确性、判别算法的鲁棒性和通信系统的实时性。项目很好地满足了这几点要求。

实现了机器人机械爪抓取和放置物体的demo。实现了物体的自动识别与机械臂的运动规划，实现了机器人的即时导航与定位功能。在仿真平台上实现了机械爪的抓取和放置，并实现了人机协同。最终的机器人既可独立完成抓取任务，也可以在人工辅助下完成抓取任务。

首先，利用MATLAB实现了传统的AOA室内定位方法。然后，利用Python及TensorFlow训练神经网络并利用神经网络预测AOA。神经网络的预测结果比传统AOA方式更加准确。最后，利用集成学习将传统AOA定位方式与神经网络融合，进一步提高了准确度。（提升了10cm左右）。

参加机甲大师超级对抗赛，负责英雄机器人的电气布线、开发板配置、控制算法编写与调试。 机器人的功能需包括麦克纳姆式底盘解算，云台pitch、yaw双自由度，摩擦轮与拨弹盘电机协同实现42mm弹丸发射并精准打击16m距离目标。 同时机器人需搭载miniPC与相机实现实时目标检测与瞄准，我们电控需与视觉协调通信实现云台快相应自动瞄准与击打。

采用 CAD 辅助医师诊断进行消化道系统检查，包括操作质量检测、病变检测和分类，一方面可以在一定程度上提升肠道息肉的检出率，从而降低漏诊率；另一方面可以加快每次诊断的时间，从而提升对病人的检测效率。 本项目拟构建人工智能辅助的消化道内窥镜实时定位和检测系统。前期甲方构建了基于卷积神经网络的消化系统图关键位置定位算法和病变检测分割的算法。基于此系统现需要对已有算法进行包装，构建可用于临床测试的系统，并整理此项目中涉及用于系统接口，以便于后续平台开发。

项目介绍：基于视频的步态分析用于评估阿尔茨海默病和路易体痴呆症 技术覆盖：数据获取和清理-数据预处理-深度学习模型设计和实现-模型训练和调优-样例打包-部署方案设计和实施 特有创新：基于最新医学研究成果提炼模型进行智能化检测的开发，数百名患者医师参与共建，具有广泛临床和康养社区使用场景

项目介绍：可编程控制的人形或仿生类行走机器人。根据公布的任务和现场发布的任务，参与现场展示交流的学生能够运用各种传感器包括视觉（大小、形状、颜色）识别、材质（铁质、塑料）分类、位置（坐标、方向）确定等，设计制作一款双足人或仿生类多足机器人，并具备对指定物品进行分拣与搬运的能力。

陪伴式智能家居控制机器人是一款可以语音控制智能家居控制（可以控制灯，扫地机器人，空气净化器，塔扇，灯等）。还具有语音闲聊，语音控制播放音乐，主动贴心问候，语音生活助手，屏幕动态表情反馈，自主充电的功能。还具有远程监控，语音遥控，声控智能家居控制，护眼提醒，语言和表情的远程传送，视频通话，语音购物，老人陪护，幼儿陪护教育等功能。 它是融智能语音技术，智能家居控制技术，物联网技术等为一身的消费级智能机器人。

智能健康一体机是具有血压，心电，血糖，体脂，血氧五大身体指数测量的医疗机械，它具有功能丰富，使用简单，操作容易，携带方便的特点。除此之外，它还集成了挂号和文字及语音护理咨询，视频家医咨询，测量数据的云端保存等功能。它的手机端APP可以使用户随时随地查看并了解自己所关心的人的健康状况。 它不仅仅是医疗器械，它是一个强大的医疗服务终端。它的强大体现在：它可以实现一键挂号，也可以实现线上和线下的健康咨询，家医问诊，线上线下买药等功能。

基于瑞芯微 AI 智能算力盒子，依托 Python、C++ 神经网络模型技术，搭建工业级全流程追溯系统。集成嵌入式 AI Box、雷达、传感器等异构设备，借助 LoRa 网络与 MQTT 协议，实现充装现场稳定的数据采集、实时进行分析语音智能播报，数据定时上传及视频流历史截取回放。

通过远程控制实现牙轮钻机的自动打孔无人作业。 解决矿山环境温差大，烟尘大，环境恶劣，人工操作难度大，安全风险大，人工打孔不精准的问题。 主要功能： 工作人员通过手机app客户端设置打孔位置，下发打孔指令， 牙轮钻机接受到指令后，自动将牙轮钻机开到目标点，进行自动打孔作业。

1、随着机器人行业的发展，各种形态的机器人层出不穷，其中以轮式底盘为载体的机器人需求拥有广阔市场，比如有室内服务机器人、户外专业作业机器人（清洁、巡检等），这类机器人需要在不同的地面转移，在室内不能伤地板，在户外又需要具有一定的越野性能。 2、遥控模式下，软件需要解析无线接收数据（无线指令）；自动模式下需要解析顶层应用指令数据（有线指令）；基于指令内容转换为驱动轮式底盘外设的驱动；同时需要实时采集状态信息，反馈至顶层应用及远端UI；在底盘行进过程需要基于传感器信息做出调速、调平、避障、预警等动作。 3、遥控模式下，用户通过操作遥控器向机器人发送指令，底盘收到无线数据首先软件对数据进行接收、校验、指令功能解析，基于指令驱动电机执行相应动作；自动模式下，底盘收到顶层应用通过有线通信方式发来的指令，同样需要校验、指令功能解析和驱动转换；行进过程对两侧车轮进行调速，同时基于陀螺仪进行整机调平；另外基于测距传感器进行避障、预警等操作；实时反馈状态信息。

一款用于控制工业机器人进行自适应焊接的智能软件系统。通过3D视觉感知工件，在软件中完成路径规划、仿真和实时监控，并控制机器人完成高精度作业。主要包含点云显示，焊缝显示与编辑，焊缝仿真等功能

1、基于隐私保护背景下的人体姿态监测； 2、适用于公共场所和有隐私保护需求场景； 3、使用TOF传感器采集点云数据，不包含人眼可识别的可见光信息、面部、面貌、细节信息等，保护人员隐私； 4、监测人员运动状态，发生异常时（跌倒、爬墙、斗殴等）告警

1、使用TOF相机采集工件点云 2、采集相机点云图像数据并分发到若干子节点； 3、基于OpenCV+PCL+YoloV8提取工件点云并检测工件参数，输出工件参数和异常状态； 4、检测数据存储和管理接口； 5、上位机实时监测和历史数据查看

本系统旨在实现对工业或智能设备运行状态的实时监控、分析与预测。通过部署在设备端的嵌入式系统，系统可采集包括各类传感器读数和摄像头图像在内的多模态数据，并进行初步处理与暂存。这些数据随后被上传至基于Linux的上位机服务器，在服务器端完成更深层次的数据融合与智能分析。借助AI算法，系统不仅能对当前设备运行状况进行综合评估，还能基于时序数据识别异常事件，并对未来状态做出预测。此外，系统提供Web管理界面，支持用户远程配置设备参数、查看实时运行状态及历史数据，从而提升运维效率与设备智能化水平。 1、多源数据采集：系统通过设备端嵌入式模块实时采集传感器读数（如温度、振动、电流等）和摄像头图像等多模态信息，构建全面的设备运行数据基础。 2、边缘初步处理：在设备本地对原始数据进行缓存与轻量级处理（如格式转换、降噪、压缩），降低传输负载并提升响应效率。 3、云端智能分析：数据上传至Linux上位机服务器后，进行深度处理，包括图像增强、信号融合、时序建模等，支撑高阶分析需求。 4、AI驱动预测能力：集成人工智能算法，基于历史与实时数据对设备状态进行评估，识别异常事件，并实现故障预警与运行趋势预测。 5、可视化与远程管理：系统提供Web管理界面，用户可远程查看设备运行状态、历史记录，并配置关键参数，提升运维便捷性与智能化水平。