开源：AI+无人机巡检系统项目调研

优质文章学习记录

— 2 min read

主流开源AI无人机巡检项目调研

本部分系统梳理了当前主流的开源无人机巡检相关项目，涵盖飞控系统、地面站软件、AI视觉识别、数据处理等多个技术栈，为商业化产品开发提供技术选型参考。

一、飞控与地面站开源项目

1.1 PX4 Autopilot

项目地址：github.com/PX4/PX4-Autopilot

开源协议：BSD 3-Clause

项目简介：由Dronecode基金会（Linux基金会旗下）维护的专业级开源自动驾驶仪软件，是全球最广泛使用的无人机飞控系统之一。支持多旋翼、固定翼、垂直起降等多种机型，广泛应用于工业无人机和科研领域。

核心能力：飞行控制、任务规划、传感器融合、MAVLink通信协议、硬件抽象层、模块化架构

1.2 ArduPilot

项目地址：github.com/ArduPilot/ardupilot

开源协议：GPLv3

项目简介：历史最悠久的开源自动驾驶仪项目，社区活跃度极高。支持几乎所有类型的无人载具（无人机、无人车、无人船、潜水器等），功能最为全面，稳定性经过大量实际部署验证。

核心能力：多机型支持、航线规划、自动任务执行、地理围栏、故障安全机制、日志记录与分析

1.3 QGroundControl

项目地址：github.com/mavlink/qgroundcontrol

开源协议：GPLv3

项目简介：跨平台地面控制站软件，支持Android、iOS、Mac OS、Linux、Windows全平台。为PX4和ArduPilot提供完整的飞行控制和任务规划能力，是开源无人机生态中最主流的GCS软件。

核心能力：航线规划、实时遥测、参数配置、固件升级、地图集成、多机管理

1.4 Mission Planner

项目地址：github.com/ArduPilot/MissionPlanner

开源协议：GPLv3

项目简介：ArduPilot官方推荐的地面站软件（Windows平台），功能全面，特别适合复杂任务规划和参数调优。提供丰富的数据分析和日志回放功能。

核心能力：高级任务规划、测绘航线生成、参数调优、日志分析、模拟飞行、脚本扩展

Read more

从 Python 地狱到 ComfyUI 成功启动：一次完整的 Windows AIGC 环境排错实录

从 Python 地狱到 ComfyUI 成功启动：一次完整的 Windows AIGC 环境排错实录

前言 在 Windows 平台部署 ComfyUI 时，很多用户都会遇到类似问题： Python 已安装、CUDA 驱动正常、显卡也能识别，但 ComfyUI 仍然无法正常启动，或在启动器与命令行之间反复报错。 这些问题往往并非某一步操作失误，而是 Python 版本不一致、CUDA 与 PyTorch 构建不匹配，以及启动器未正确使用虚拟环境 等因素叠加造成的结果。 本文将围绕 ComfyUI + 绘世启动器 的典型使用场景，系统梳理以下三个高频问题： * Python 多版本共存导致的环境错位 * CUDA / PyTorch 无法正确识别 GPU * 启动器与命令行运行环境不一致 并给出 可复现、可验证、适合新手操作的解决方案，帮助你在 Windows 环境下，先把 ComfyUI 的基础运行环境彻底跑稳。 本文聚焦基础python环境配置问题，插件与扩展相关内容将放在后续文章中单独说明。

知网AIGC检测算法2026大升级：新规则解读+应对策略

2025年12月，知网悄悄升级了AIGC检测算法。很多同学发现，以前能通过的论文，现在突然被检测出高AI率。 这篇文章帮大家解读一下：新算法到底变了什么？我们应该怎么应对？ 算法升级：变了什么 变化一：检测维度增加 旧算法主要看三个维度：词汇特征、句法特征、文本长度分布。 新算法加了两个维度： 语义一致性检测：检测整篇文章的语义是否过于「平滑」。人写东西会有观点碰撞、逻辑跳跃，AI写的东西从头到尾都很顺，太顺了反而可疑。 引用关联度检测：检测参考文献和正文内容的关联程度。AI有时候会「幽灵引用」，就是列了参考文献但正文里没有真正引用，或者引用的内容和文献不对应。 变化二：特征词库更新 知网维护着一个「AI特征词库」，记录AI喜欢用的词汇和表达方式。 2026年的更新重点关注了DeepSeek、豆包、Kimi这几个国产大模型的输出特征。比如： * 「基于……视角」 * 「在此背景下」 * 「通过……发现」 * 「研究表明」用得太频繁 * 「综合来看」「从整体而言」等过渡词 这些词以前不算AI特征，
从零开始：AIGC中的变分自编码器（VAE）代码与实现

从零开始：AIGC中的变分自编码器（VAE）代码与实现

个人主页：chian-ocean 文章专栏 深入理解AIGC中的变分自编码器（VAE）及其应用 随着AIGC（AI-Generated Content）技术的发展，生成式模型在内容生成中的地位愈发重要。从文本生成到图像生成，变分自编码器（Variational Autoencoder, VAE）作为生成式模型的一种，已经广泛应用于多个领域。本文将详细介绍VAE的理论基础、数学原理、代码实现、实际应用以及与其他生成模型的对比。 1. 什么是变分自编码器（VAE）？ 变分自编码器（VAE）是一种生成式深度学习模型，结合了传统的概率图模型与深度神经网络，能够在输入空间和隐变量空间之间建立联系。VAE与普通自编码器不同，其目标不仅仅是重建输入，而是学习数据的概率分布，从而生成新的、高质量的样本。 1.1 VAE 的核心特点 * 生成能力：VAE通过学习数据的分布，能够生成与训练数据相似的新样本。 * 隐空间结构化表示：VAE学习的隐变量分布是连续且结构化的，使得插值和生成更加自然。 * 概率建模：VAE通过最大化似然估计，能够对数据分布进行建模，并捕获数据的复杂特性。
虚拟世界的AI魔法：AIGC引领元宇宙创作革命

虚拟世界的AI魔法：AIGC引领元宇宙创作革命

云边有个稻草人-ZEEKLOG博客——个人主页 热门文章_云边有个稻草人的博客-ZEEKLOG博客——本篇文章所属专栏 ~ 欢迎订阅~ 目录 1. 引言 2. 元宇宙与虚拟世界概述 2.1 什么是元宇宙？ 2.2 虚拟世界的构建 3. AIGC在元宇宙中的应用 3.1 AIGC生成虚拟世界环境 3.2 AIGC生成虚拟角色与NPC 3.3 AIGC创造虚拟物品与资产 4. AIGC在虚拟世界与元宇宙的技术实现 4.1 生成式对抗网络（GANs）在元宇宙中的应用 4.2 自然语言处理（NLP）与虚拟角色的对话生成 4.3 计算机视觉与物理引擎 5. 持续创新：AIGC与元宇宙的未来趋势 5.1 个人化与定制化体验 5.