KRS（Kratos Robotics Stack）：让 Zynq / FPGA 机器人开发真正“跑”起来

优质文章学习记录

— 7 min read

在机器人与自主系统开发中，ROS 2 已经成为事实标准，但当它遇到 FPGA / Zynq / Kria 这类异构平台时，工程复杂度往往直线上升。

KRS（Kratos Robotics Stack） 正是为了解决这个问题而诞生的。

KRS 是一个由 Xilinx（AMD）官方推动的 开源机器人软件栈，目标非常明确：

让基于 ROS 2 的机器人应用，能够高效、可重复、工程化地运行在 Zynq 和 Kria 平台上。

先看下下面的应用视频：

🧠 什么是 KRS？

KRS（Kratos Robotics Stack） 是一个围绕 ROS 2 + FPGA 加速 构建的完整开发框架，主要面向：

  • Zynq UltraScale+ MPSoC
  • Kria SOM / Kria Robotics Stack（KR260 等）
  • 需要 CPU + FPGA 异构加速 的机器人与感知系统

它并不是“又一个 ROS 发行版”，而是一个 工程化工具集合 + 架构规范。

它通过与 ROS（机器人领域的通用语言）紧密集成，并结合现代 C++ 和高级综合 (HLS) 技术，以及参考开发板和设计架构，为机器人专家快速启动项目提供了可能。

KRS功能：

KRS特征

以 ROS 2 为中心

ROS之于机器人专家，正如Linux之于大多数计算机科学家和软件开发人员。它帮助机器人专家构建机器人应用程序。随着ROS 2的发布，机器人行为的生成能力已达到生产就绪状态，并有可能对众多行业产生深远影响。与那些用大量库的复制品或分支以及/或类似的机器人模拟器来重复发明轮子的新机器人平台不同，Xilinx的KRS方案满足了ROS机器人社区的需求，并基于ROS 2及其紧密集成的机器人模拟器Gazebo构建而成。

为了将 Xilinx 的硬件加速技术与 ROS 2 生态系统连接起来，并鼓励软件包维护者从中受益，Xilinx 创建了一系列 ROS 2 构建系统 ( ament) 和元构建工具 ( colcon) 的扩展，以最大限度地减少 ROS 2 软件包维护者的工作量。该架构基于三大支柱。

实时 ROS 2

实时性是机器人系统的端到端特性。运行在标量处理器（例如 CPU）上的 ROS 2 应用会受到各种不确定性因素的影响。上图展示了 OSI 模型栈中的这些不确定性因素。为了使机器人在使用 ROS 2 进行进程间、进程内或网络内信息交换时能够确定性地响应，OSI 模型栈中涉及的所有层都必须能够确定性地响应。除非所有覆盖层和底层都具有相同的时间限制，否则无法保证 ROS 2 的实时性。相应地，对于实时 ROS 2 交互，其所有层也必须是实时的。对于运行在 CPU 上的 ROS 2，需要针对每个层级解决不确定性因素。

FPGA 允许设计能够提供确定性响应的机器人电路。虽然可以仅依靠 FPGA 设计硬实时机器人系统，但当与通常运行在标量处理器 (CPU) 上的 ROS 2 进行交互时，确定性往往会受到影响。KRS 的目标是通过模块化方法提供机制来缓解标量处理器中所有这些不确定性问题。可以根据具体用例，优先选择并使用特定模块来消除所需的不确定性来源，并调整缓解措施。

一般来说，CPU 实时问题的解决方案可分为两大类：a) 在相应的抽象层中设置正确的优先级；b) 应用服务质量 (QoS) 技术。每一层都有其自身的 QoS 方法。在 OSI 模型第二层（OSI 2 层），有 IEEE 802.1Q 标准中规定的成熟 QoS 技术，以及诸如时间敏感网络 (TSN) 标准等新技术。对于 Linux 网络协议栈（OSI 模型第三层和第四层），流量控制允许配置 QoS 方法。类似地，从 Linux 内核到应用程序库，每一层都需要配置为限制最大延迟，才能使机器人系统具备实时能力。

ROS 2 加速应用

ROS 生态系统汇聚了全球数千名机器人专家，他们使用 ROS 2 抽象层开发机器人应用程序。从某种意义上说，ROS 是机器人专家构建机器人行为时常用的 API，也是机器人领域的参考软件开发工具包 (SDK)。随着机器人领域混合源代码技术生态系统的出现，在 ROS 领域，已经有许多公司围绕开源软件包提供价值，并回馈社区。

通过与 Xilinx 应用商店的连接，KRS 将 ROS 2 叠加工作区容器化为机器人加速应用。

除了扩展 ROS 2 构建系统和工具以简化 ROS 2 软件包的货币化过程外，KRS 还提供了额外的工具和扩展，以简化 ROS 2 overlay 工作区的打包和发布到 Xilinx 应用商店的过程。上面的 subverb 展示了其中一个这样的工具。

KRS 的核心理念

KRS 的设计思想可以总结为三点：

1️⃣ ROS 2 原生优先（ROS-native）

不改变 ROS 2 的使用方式

节点、话题、消息、launch 文件全部保持 ROS 生态一致

FPGA 加速被“封装”在 ROS 2 节点之下

👉 对上层算法工程师 几乎无感知

2️⃣ 异构加速可重用（Reusable Acceleration）

KRS 将 FPGA 加速抽象为 可复用组件：

图像处理

计算机视觉

运动规划

感知与控制链路

这些加速模块可以被多个 ROS 2 节点复用，而不是“一次性工程”。

3️⃣ 面向产品级部署（Production-ready）

KRS 从一开始就不是 Demo 导向，而是：

支持 Yocto / PetaLinux

支持容器化（Docker）

支持 CI / 自动化构建

面向 可量产、可维护系统

KRS 的整体架构

从官方文档来看，KRS 的结构大致分为三层：

上层：标准 ROS 2 应用

中层：KRS 提供的加速 ROS 2 组件

底层：FPGA 硬件加速（Vitis、HLS、RTL）

参考资料

https://xilinx.github.io/KRS/sphinx/build/html/docs/intro.html
https://github.com/Xilinx/Vitis_Libraries

✅ 总结一句话

KRS 不是教你“怎么用 FPGA”，而是教你“如何把 FPGA 自然地用进 ROS 2 机器人系统”。

它代表了一种趋势：

FPGA 不再是孤立的硬件模块，而是 ROS 生态中的一等公民。

关于这个机器人的项目，我们后面展开聊聊：

Read more

AI提示词：零基础入门与核心概念

AI提示词：零基础入门与核心概念

AI提示词：零基础入门与核心概念 📝 本章学习目标：理解什么是提示词，掌握提示词的核心概念，建立正确的AI对话思维，为后续学习打下坚实基础。 一、什么是提示词？ 1.1 提示词的定义 提示词（Prompt），简单来说，就是你发给AI的指令或问题。它是人类与人工智能沟通的桥梁，是你告诉AI"我想要什么"的方式。 想象一下，你雇佣了一位超级聪明但对你的需求一无所知的助手。这位助手知识渊博、能力强大，但它需要你清晰地告诉它要做什么。提示词就是你给这位助手的工作指令。 💡 核心认知：提示词不是简单的"提问"，而是一种结构化的指令设计。好的提示词能让AI精准理解你的意图，输出高质量的结果；糟糕的提示词则会让AI"答非所问"，浪费你的时间。 1.2 提示词的重要性 为什么提示词如此重要？让我们通过一个对比来说明： ❌ 糟糕的提示词： 帮我写点东西 ✅ 好的提示词： 请帮我写一篇关于&

支持LoRA和QLoRA的LLama-Factory镜像已发布，轻松节省GPU算力成本

支持LoRA和QLoRA的LLama-Factory镜像已发布，轻松节省GPU算力成本 在大模型时代，一个现实问题困扰着无数开发者：如何用有限的硬件资源微调动辄数十亿参数的语言模型？全参数微调虽然效果好，但一张A100显卡都未必扛得住。而如今，这个问题正在被彻底改写。 随着LoRA与QLoRA技术的成熟，以及LLama-Factory这类集成化框架的推出，我们已经可以在单张RTX 3090上完成7B甚至13B级别模型的高效微调——这在过去几乎是不可想象的。更重要的是，整个过程不再需要编写复杂的训练脚本，非技术人员也能通过图形界面完成定制化训练。 这一切的背后，是参数高效微调（PEFT）与量化技术的深度融合，也是开源社区对“普惠AI”的一次有力实践。 LoRA：让微调变得轻量而高效 传统微调会更新模型中所有参数，以LLaMA-7B为例，约有67亿个可训练参数，光优化器状态就可能占用超过80GB显存。这种资源消耗对于大多数个人或中小企业来说是难以承受的。 LoRA（Low-Rank Adaptation）的出现改变了这一局面。它的核心思想非常巧妙：冻结原始权重，仅引入少量可训练

基于Whisper-large-v3的多语言翻译系统开发

基于Whisper-large-v3的多语言翻译系统开发 想象一下这样的场景：一场国际线上会议正在进行，参会者来自世界各地，说着不同的语言。一位德国同事用德语发言，一位日本伙伴用日语提问，而你作为会议组织者，需要实时理解所有人的发言，并确保沟通顺畅。传统做法是雇佣多名翻译，成本高昂且响应延迟。现在，有了基于Whisper-large-v3构建的多语言翻译系统，这一切都可以自动化完成，而且成本只是传统方案的零头。 本文将带你一步步构建这样一个系统，从语音识别到文本翻译，形成一个完整的流水线。无论你是想为跨国团队开发内部工具，还是想为内容平台添加多语言字幕功能，这套方案都能为你提供一个坚实的起点。 1. 为什么选择Whisper-large-v3？ 在开始动手之前，我们先聊聊为什么Whisper-large-v3是构建多语言翻译系统的理想选择。 Whisper-large-v3是OpenAI开源的语音识别模型，它最大的特点就是“多语言”和“高精度”。这个模型在超过100万小时的音频数据上训练过，支持99种语言的识别，包括英语、中文、法语、德语、日语、韩语等主流语言，甚至还能识别

从Obsidian App迁移到Obsidian.nvim：保留所有功能的无缝过渡方案

从Obsidian App迁移到Obsidian.nvim：保留所有功能的无缝过渡方案 【免费下载链接】obsidian.nvimObsidian 🤝 Neovim 项目地址: https://gitcode.com/gh_mirrors/obs/obsidian.nvim Obsidian.nvim是一款将Obsidian的强大功能与Neovim的高效编辑体验完美结合的插件。如果你是Obsidian App的忠实用户，又想体验Neovim带来的极致编辑效率，本文将为你提供一份保留所有功能的无缝迁移指南，让你轻松过渡到Obsidian.nvim的世界。 为什么选择Obsidian.nvim？ Obsidian.nvim不仅继承了Obsidian App的核心功能，还融入了Neovim的强大编辑能力。它支持双向链接、标签管理、每日笔记等Obsidian的标志性功能，同时提供了Vim快捷键、代码高亮、插件扩展等Neovim特有的优势。对于习惯使用Obsidian进行知识管理，又追求高效编辑体验的用户来说，Obsidian.nvim是理想的选择。 准备工作：安装Obsidia