业务和功能介绍
1.立项背景和目标
随着工业产品的自动化与智能化发展，多领域耦合已成为当前工业产品的一个显著特征，多专业设计协同与模型集成已经成为工业产品系统设计的必需技术。建立系统模型能够有效提高产品设计的效率，缩短产品开发周期，尽早发现问题并改进整体设计。然而传统的单一学科建模工具难以实现多学科特性的统一表达，工程师面临着标准不统一、表达不直观以及使用难度大等诸多挑战。针对这一问题分析了国外在机器人系统开发平台方面的开始研究，并对部分开发平台的做了介绍，分析了各个平台的优势与特点。
基于上述分析设计了一款基于MWORKS的ROS工具箱
进行需求分析，确定节点的功能和性能要求；其次，进行系统设计，包括节点之间的交互逻辑、数据传输方式、接口规范等；接着，进行节点实现，包括程序代码的编写、调试和测试；最后，进行集成和验证，确保节点之间的协同工作能够实现系统整体功能。通过以上流程，提高产品开发效率和质量，为工业产品的智能化和自动化发展提供技术支持。
2.软件功能,核心功能模块和介绍
本项目将针对机器人设计为MWorks平台开发特定的工具箱和模型库。提供ROS的大部分功能。可以通过MWorks平台启动ROS Master、创建ROS节点、发布ROS消息／服务、查看ROS话题数据、控制ROS机器人等,更重要的是可以结合MWorks平台强大的功能,实现机器人算法设计,然后接入ROS系统,配合Gazebo完成仿真。
项目要在MWorks平台中具体实现以下功能:设置ROS网络并与之交互,创建、发送和接受ROS消息、ROS话题和ROS网络信息,发送请求、执行任务并获取机器人应用程序的反馈,解析日志、坐标转换树和时间序列数据,访问来自传感器和其他输入设备的数据,创建ROS自定义消息,模拟TurtleBot和Gazebo应用程序,连接TurtleBot硬件,访问ROS网络和消息。
3.业务流程
以下是使用该工具箱进行机器人应用程序开发的一般流程:首先启动ROS核心,可以选择使用集成在工具箱内部的ROS核心,或者启动,部署在其他计算设备上的ROS核心,然后让工具箱连接到ROS核心,使用者可以通过调用工具箱提供的函数库查看ROS网络中的信息并且运行一般的ROS命令,从而编写用于仿真的机器人应用程序,最后使用Gazebo进行仿真,并与Mworks平台进行交互验证开发的应用程序。
随着工业产品的自动化与智能化发展，多领域耦合已成为当前工业产品的一个显著特征，多专业设计协同与模型集成已经成为工业产品系统设计的必需技术。建立系统模型能够有效提高产品设计的效率，缩短产品开发周期，尽早发现问题并改进整体设计。然而传统的单一学科建模工具难以实现多学科特性的统一表达，工程师面临着标准不统一、表达不直观以及使用难度大等诸多挑战。针对这一问题分析了国外在机器人系统开发平台方面的开始研究，并对部分开发平台的做了介绍，分析了各个平台的优势与特点。
基于上述分析设计了一款基于MWORKS的ROS工具箱
进行需求分析，确定节点的功能和性能要求；其次，进行系统设计，包括节点之间的交互逻辑、数据传输方式、接口规范等；接着，进行节点实现，包括程序代码的编写、调试和测试；最后，进行集成和验证，确保节点之间的协同工作能够实现系统整体功能。通过以上流程，提高产品开发效率和质量，为工业产品的智能化和自动化发展提供技术支持。
2.软件功能,核心功能模块和介绍
本项目将针对机器人设计为MWorks平台开发特定的工具箱和模型库。提供ROS的大部分功能。可以通过MWorks平台启动ROS Master、创建ROS节点、发布ROS消息／服务、查看ROS话题数据、控制ROS机器人等,更重要的是可以结合MWorks平台强大的功能,实现机器人算法设计,然后接入ROS系统,配合Gazebo完成仿真。
项目要在MWorks平台中具体实现以下功能:设置ROS网络并与之交互,创建、发送和接受ROS消息、ROS话题和ROS网络信息,发送请求、执行任务并获取机器人应用程序的反馈,解析日志、坐标转换树和时间序列数据,访问来自传感器和其他输入设备的数据,创建ROS自定义消息,模拟TurtleBot和Gazebo应用程序,连接TurtleBot硬件,访问ROS网络和消息。
3.业务流程
以下是使用该工具箱进行机器人应用程序开发的一般流程:首先启动ROS核心,可以选择使用集成在工具箱内部的ROS核心,或者启动,部署在其他计算设备上的ROS核心,然后让工具箱连接到ROS核心,使用者可以通过调用工具箱提供的函数库查看ROS网络中的信息并且运行一般的ROS命令,从而编写用于仿真的机器人应用程序,最后使用Gazebo进行仿真,并与Mworks平台进行交互验证开发的应用程序。
项目实现
1.系统架构
工具箱可以分为两个主要部分：供Syslab调用的julia函数库和供Sysplore进行建模仿真的modelica模型库。工具箱的底层采用了ROSJava库作为ROS客户端库，通过XMLRPC和TCP等方式来和ROS网络进行通信。我们封装了ROSJava的某些函数以实现和ROS网络的交互，并提供接口来增加复用性。在内部，我们封装了这些接口来实现具体的功能函数，这些函数会进一步打包成Java对象和静态工具函数。然后，使用julia调用JavaCall包将其封装为对应的julia对象和函数，并提供给用户使用。
2.技术栈
MWorks,ROS,julia,java,python
3.我负责的部分
架构设计,代码实现,文档编写,测试用例编写
4,具体的实现流程
对matlab原有工具箱进行源代码分析,然后使用java语言对rosjava库进行封装和调用,实现matlab原有工具箱的功能,最后使用julia调用java代码的方式再次封装成julia对象
5.难点
工程量大,代码行数超过20000行.涉及的编程语言多,需要学习的内容很多,需要兼顾各种语言的特性.项目与ROS相关,需要理解ros相关的知识和使用,以及机器人相关的背景知识.
工具箱可以分为两个主要部分：供Syslab调用的julia函数库和供Sysplore进行建模仿真的modelica模型库。工具箱的底层采用了ROSJava库作为ROS客户端库，通过XMLRPC和TCP等方式来和ROS网络进行通信。我们封装了ROSJava的某些函数以实现和ROS网络的交互，并提供接口来增加复用性。在内部，我们封装了这些接口来实现具体的功能函数，这些函数会进一步打包成Java对象和静态工具函数。然后，使用julia调用JavaCall包将其封装为对应的julia对象和函数，并提供给用户使用。
2.技术栈
MWorks,ROS,julia,java,python
3.我负责的部分
架构设计,代码实现,文档编写,测试用例编写
4,具体的实现流程
对matlab原有工具箱进行源代码分析,然后使用java语言对rosjava库进行封装和调用,实现matlab原有工具箱的功能,最后使用julia调用java代码的方式再次封装成julia对象
5.难点
工程量大,代码行数超过20000行.涉及的编程语言多,需要学习的内容很多,需要兼顾各种语言的特性.项目与ROS相关,需要理解ros相关的知识和使用,以及机器人相关的背景知识.
示例图片视频
相似推荐
情绪检测
本工具基于 Python 开发，通过人脸识别与情感分析算法，精准识别用户面部情绪状态，实现高效的情绪检测能力。该工具应用场景广泛：在心理咨询领域，可辅助咨询师洞察来访者的真实情绪变化，提升沟通与干预效果；在校园安防方面，可实时监测学生情绪波动，及时发现异常状态并预警，守护校园安全。系统采用轻量化架构，运行高效、部署灵活，便于集成到现有业务平台中，为心理健康关怀与安全防护提供智能化、数据化的有力支撑。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统，旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然，以及角色运动与动画表现难以协调等问题。
项目以神经网络动作生成技术为核心，结合游戏引擎的角色运动系统，实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。
主要功能包括：
动画数据采集与处理： 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息，完成骨骼映射、数据清洗、质量审核与训练数据集构建。
AI 动作模型训练： 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能，支持模型检查点管理、训练指标记录及实验评估。
条件动作生成： 利用角色根运动轨迹、历史动作状态及参考姿态等条件，生成连续骨骼动作，研究不同运动条件下的动画生成效果。
复杂动作约束： 针对跑酷、跨越障碍等复杂场景，支持参考姿态引导及关键帧约束，改善动作准确性与空间匹配效果。
UE 动画集成与验证： 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力，支持生成动作的预览、重建、测试及效果分析。
模型评测与对比： 通过骨骼位置误差、运动连续性、关键帧约束误差等指标，对不同模型及优化方案进行定量分析。
项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设，为智能角色运动与游戏动画自动化提供技术基础。
基于 n8n 的社区团购订单自动归集与对账系统 - 飞书多维表格
立项背景和目标：
社区团购商家通常同时运营多个小区的团购业务，订单分散在各处，
每天需要人工汇总到表格、再逐个小区生成对账单。三个小区的情况下，
人工处理约需 1.5-2 小时/天，且极易出现漏单、金额对不上。
目标是让这套流程全自动跑：订单自动归集 → 自动生成分小区对账单
→ 异常自动告警，把每天 2 小时的人工压到 0。
软件功能、核心功能模块：
1. 定时触发模块：每天固定时间自动启动，无需人工干预
2. 多源数据读取：对接飞书多维表格开放 API，分页拉取三个小区的订单表
3. 数据清洗与合并：统一字段口径，合并去重，处理缺失值
4. 分类汇总：按小区维度聚合，计算应收、已付、差额
5. 异常检测：金额不一致、状态异常、重复订单自动标记
6. 结果写回：汇总结果写回多维表格，供商家和团长直接查看
7. 失败告警：任一步骤失败自动重试 3 次，仍失败则推送群告警
业务流程、功能路径：
每天 20:00 定时触发 → 读取运行参数 → 换取 tenant_access_token
→ 逐小区分页读取订单 → 展开为明细行 → 批量写入汇总表
→ 生成分小区对账单 → 判断是否启用对账推送 → 异常则发群告警
多端AI问答系统（SSE流式输出）
立项背景：随着大语言模型的普及，传统企业与用户对智能对话的需求激增。旨在构建一个前后端完全解耦的 AI 问答系统，支持多端接入，提供流畅的流式对话体验。
核心功能：支持 SSE 全链路流式对话（包含start/content/reasoning/done/error五类事件）；多会话管理（新建、切换、重命名、置顶、逻辑删除）；Markdown 渲染、思考过程折叠展示、多模型切换、Token 用量统计与 API 调用日志，以及四维 IP 限流。
业务流程：前端发起对话请求 → 后端校验限流 → 组装历史消息并调用大模型 API → SSE 逐字返回前端实时渲染 → 消息落库并记录 Token 与耗时。
基于RAG的多租户AI客服SaaS-wali-ai
立项背景和目标: 小微企业客服人力有限、游戏规则分散、夜间无人值守, 重复咨询淹没客服; 通用大模型不了解业务规则, 会张冠李戴甚至编造规则和价格. wali-ai的目标是让运营者用自己的知识库, 7x24自动回答玩家问题, 答不上来就兜底或转人工, 以及记录，绝不编造.
软件功能与核心模块: 多租户SaaS控制面(注册即获默认租户与工作空间、两级角色权限、按套餐的对话条数/知识库数量/容量/席位/Token额度五维配额); 知识库管理(文件导入, 切片可视化编辑与检索测试); 自研RAG引擎(向量+关键词混合检索、RRF融合、Rerank重排、置信度评估); Agent编排(意图判断、会话上下文、人设提示词、闲聊/固定兜底双模式); 多渠道接入(游戏内Lua桥接、QQ群NapCat、网页悬浮球SDK、开放API); 会话管理与人工接管; 未回答问题沉淀反哺知识库; 运营统计与全量审计.
业务流程: 注册登录->创建游戏服与机器人->建知识库导入文档->自动切分并向量化索引->配置渠道->玩家在游戏内/QQ群/网页提问->统一网关验签、幂等、路由->Agent意图判断->RAG混合检索->大模型生成带来源引用的回答->写回会话、用量与审计->低置信度时兜底或转人工, 管理员在管理端查看会话、反馈、用量与配额.
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服