Good May👱的案例列表
多机协同调度系统
后端：用Go写WebSocket服务，聚合所有机器人的ROS Odometry（里程计）和IMU数据，推送给前端。 前端：基于Three.js加载工厂CAD模型（GLTF格式），将机器人二维坐标实时映射到三维场景。 算法：实时重绘路径，当障碍物出现时，热力图区域自动变红
巡检机器人
1. AI模型部署与优化 • 采集了2000+张工厂场景图片，标注了人员、仪表盘、阀门等8类目标 • 使用PyTorch训练YOLOv8n模型，通过TensorRT进行INT8量化，将推理速度从28FPS提升至60FPS • 编写了后处理脚本，将检测框坐标转换为3D空间位置（结合深度图） 2. 多传感器融合定位 • 编写Python节点分别订阅IMU(200Hz)、激光雷达(10Hz)、相机(30Hz)数据• 实现扩展卡尔曼滤波(EKF)，融合里程计和IMU数据，将定位精度从±15cm提升至±3cm • 设计了时间戳同步机制，解决多传感器数据不同步问题 3. 底层电机控制 •
企业级AI Agent问答与决策平台
技术栈：Python + LangChain + PyTorch + Kubernetes + Milvus - 架构设计：设计基于RAG（检索增强生成）架构的企业知识库系统，将内部技术文档与运维日志向量化存储于Milvus，实现私有化大模型问答。 - AI Agent开发：基于LangChain构建具备多工具调用（Tool Calling）能力的Agent，可自动调用内部API查询实时数据、执行SQL分析并汇总生成报告，将人工查阅时间从平均20分钟压缩至30秒。 - 大模型微调：在Llama 3 / Qwen 基座模型上，利用QLoRA技术针对特定业务场景进行指令微调，降低
案例判断参考
Good May👱的案例列表
多机协同调度系统
后端：用Go写WebSocket服务，聚合所有机器人的ROS Odometry（里程计）和IMU数据，推送给前端。 前端：基于Three.js加载工厂CAD模型（GLTF格式），将机器人二维坐标实时映射到三维场景。 算法：实时重绘路径，当障碍物出现时，热力图区域自动变红...
巡检机器人
1. AI模型部署与优化 • 采集了2000+张工厂场景图片，标注了人员、仪表盘、阀门等8类目标 • 使用PyTorch训练YOLOv8n模型，通过TensorRT进行INT8量化，将推理速度从28FPS提升至60FPS • 编写了后处理脚本，将检测框坐标转换为3D空间位置（结合深度图） 2. 多传感器融合定位 • 编写Python节点分别订阅IMU(200Hz)、激光雷达(10Hz)、相机(30Hz)数据• 实现扩展卡尔曼滤波(EKF)，融合里程计和IMU数据，将定位精度从±15cm提升至±3cm • 设计了时间戳同步机制，解决多传感器数据不同步问题 3. 底层电机控制 •...
企业级AI Agent问答与决策平台
技术栈：Python + LangChain + PyTorch + Kubernetes + Milvus - 架构设计：设计基于RAG（检索增强生成）架构的企业知识库系统，将内部技术文档与运维日志向量化存储于Milvus，实现私有化大模型问答。 - AI Agent开发：基于LangChain构建具备多工具调用（Tool Calling）能力的Agent，可自动调用内部API查询实时数据、执行SQL分析并汇总生成报告，将人工查阅时间从平均20分钟压缩至30秒。 - 大模型微调：在Llama 3 / Qwen 基座模型上，利用QLoRA技术针对特定业务场景进行指令微调，降低...
