2026 高通具身智能与机器人开发者大赛入围名单揭晓,你晋级了没?

csdnsqst0050 2026-09-15 15:01:21
加精

 

「2026 高通具身智能与机器人开发者大赛」初赛正式完结🔚
我们再一次收获全国近千人踊跃报名参赛😮这份来自开发者的热血远超预期,也让我们对如期而至的复赛充满期待❗️

本届大赛,来自个人、高校、创客、企业的开发者们身怀绝技💃
带来了面向不同场景、形态各异的机器人项目方案;处于不同技术阶段的创新项目作品大量涌现🌋
当然,也有不少往届大赛老面孔带来了很多新玩意儿🤖

我们知道☑️
今年大赛聚焦具身智能与机器人,软硬件投入和技术门槛较往届上了一个台阶🪜
但开发者们用行动打破了所有顾虑——

在新的挑战面前,大家交出了令人眼前一亮的初赛答卷👀
从创意概念到技术可行性,从场景洞察到落地思路,真正让我们对「无限χ可能」有了实感!

➡️接下来你需要知道这些事➡️
📢大赛入围名单已经在海报上完整公示,请开发者们查阅。入围的开发者们请留意你报名时预留的邮箱或小助手的微信通知;
📦根据各位项目书中的设备预选型,陆续启动发放工作。大赛小助手将联系你们获取收件信息,用于派发复赛比赛设备。

&

✅是的,领取到开发板 = 正式入围复赛
入围复赛的开发者都将获得开发板设备支持,你须基于这块设备将你的初赛项目变为现实。

⏰ 约90天倒计时
是各位正式进行项目落地,角逐赛事大奖的冲刺阶段。

{✳️因物流路程差异、设备发货批次等客观情况,大家实际上手设备的时间可能有约1~3天时间差。我们会以最快的速度将设备送到各位手上💪}

🏆最后,重要的事情多说一遍🥇
本届大赛共设31个奖项,奖品总价值约71.6万元💴
🌟奖品均为搭载高通旗下产品的电子消费类产品(大奖为搭载骁龙Ⓡ 数字底盘的重磅产品)
更重要的是🏁你的作品将在~高通全球生态伙伴~目光聚焦的舞台上~惊艳亮相❗️

或许❓
☞它可能是爱好者的精彩回忆
☞它可能是高校师生的科研成果
☞它可能是创客们的人生拐点
☞它可能是商业项目的转化契机
一切未知,但精彩才刚刚开始…🎬

最后,恭喜所有入围复赛的小伙伴!
在接下来的90天里,请让代码变成动作,让创意长出身体。咱们颁奖典礼上见👋

...全文
126 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
源码链接: https://pan.quark.cn/s/a376b5a3a265 在 Windows 操作系统中配置 GPU 的 CUDA 开发环境是一项具有高度必要性的工作,这对 GPU 计算效能与深度学习算法的达成具有决定性的作用。本文将详尽阐述在 Windows 系统中配置 CUDA 开发环境的操作流程,并且处理一些可能遭遇的挑战。 一、版本匹配的关键性 在配置 CUDA 开发环境之前,必须检查项目所应用的 TensorFlow 版本,并明晰 TensorFlow、Python、CUDA 以及 cuDNN 各组件之间的适配关系。这一环节极为关键,因为不同版本间存在一定的兼容性障碍。倘若版本不一致,可能会导致配置失败或引发其他并发症。 二、获取并配置 CUDA 在确认所需安装的版本之后,可从 NVIDIA 的官方网站获取对应的 CUDA 版本。下载完毕后,依照安装指引进行配置。在配置过程中,有几个重点环节需要留意: 1. CUDA 需要借助 C++ 编译器的支持,在 Windows 平台上必须安装 Visual Studio。若设备未预装 Visual Studio,在配置 CUDA 时会提示选择安装哪个版本。 2. CUDA 的路径应保持默认,以便于后续环境变量的配置。 三、配置完成后的验证 配置结束后,需要确认是否配置成功。主要运用 CUDA 自带的 deviceQuery.exe 和 bandwidthTest.exe 两个工具: 1. 通过 win+R 启动 cmd,切换至安装目录下的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extra...
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[香烟(Cigarette)] · 训练集:636 张 · 验证集:182 张 · 测试集:91 张 · 总计:909 张 该数据集聚焦于多类人物在不同环境下的香烟使用行为,涵盖室内、室外、公共与私密等多种真实生活场景,具有高度的现实应用价值,可为公共场所吸烟行为识别、健康警示系统及社会行为研究提供高质量视觉样本支持。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.5645** mAP50-95 | 0.3009 Precision | 0.7024 Recall | 0.5510 train/box_loss | 1.1101 train/cls_loss | 0.6001 val/box_loss | 2.0088 val/cls_loss | 1.6177 【训练过程分析】 100 轮训练后 mAP50 仅 0.5645,模型收敛不充分。Loss 曲线前期下降后进入平台期,mAP 提升缓慢。mAP50-95 为 0.3009,定位精度同样偏低。 【模型性能评估】 Precision 0.7024、Recall 0.5510,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果偏弱,漏检和误检较多,小目标和边缘场景的检出能力不足。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 对定位精度支撑不足,尝试 800 或 1024 改善 mAP50-95。...

7,746

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、IoT、PC 、XR、Auto等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
物联网人工智能开源 企业社区 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧