asp.net 里边crystal report的cache

从注意力到行动 pdf Agent

从注意力到行动 pdf

同步电机与构网型变流器的频率稳定特性及多时间尺度交互机理研究（Simulink仿真实现）

内容概要：本文系统解读了一套完整的多机器人路径规划（MAPF）MATLAB代码库，重点围绕优先级规划算法展开，涵盖从地图解析、拓扑构建、路径规划、冲突消解到可视化呈现的全流程。文章提出四层架构设计：几何层负责地图解析与栅格化；拓扑层构建四邻域图与Petri网模型；调度层实现基于动态边权膨胀的优先级路径规划与时间同步冲突消解；呈现层完成动画与视频输出。核心创新包括动态边权膨胀机制避免硬封锁导致的虚假不可解、节点预留历史实现高效冲突查询、几何惩罚驱动的局部同步提升效率，以及Petri网双阶段优化支持解的存在性与最优性分离判断。框架兼顾实用性与可扩展性，适用于大规模智能体场景。; 适合人群：具备MATLAB编程基础，从事机器人、自动化、智能交通或路径规划相关研究的科研人员与研究生。; 使用场景及目标：① 学习并复现多机器人无冲突路径规划的经典与先进算法；② 掌握动态边权膨胀、时间同步、冲突消解等关键技术的工程实现；③ 借助模块化框架进行算法改进与性能优化，支撑仓储物流、无人机编队等应用场景的仿真研究。; 阅读建议：建议按文中所述的数据流顺序逐步阅读，重点关注各模块接口设计与算法取舍逻辑，结合提供的完整资源进行代码调试与实验验证，深入理解“空间规划-时间消解”分离的设计思想。

huashu-motion 让编码 Agent 直出商业宣传片-一个专门给 Claude Code、Codex 等工具使用的 Skill

huashu-motion 一个专门给 Claude Code、Codex 等工具使用的 Skill。它不跑黑盒视频生成模型，而是让 Agent 直接用代码绘制动画，成片就是一个网页。 项目最大的特色是“先写谱再拍片”，Agent 能写纯文本乐谱配合乐器采样在本地配乐，并精准对齐每帧音效。在浏览器里按 C 键点击画面就能直接留批注，Agent 会定位源码只改动那一处，也可以在右侧表单手动调参。 它还内置了从顶级发布片提炼的 20 种运动语言、自动化质检与并行渲染机制，小模型同样能做出高级感。

YOLO26算法校园作业场景锚目标检测+训练好的模型+103张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[锚(anchor)] · 训练集：90 张 · 验证集：9 张 · 测试集：4 张 · 总计：103 张 该数据集聚焦校园作业场景，通过精准标注手写文字中的锚元素，为教育场景下的文本识别与作业分析提供高质量数据支撑，助力教学评估与学生书写质量研究。该数据集训练集占比90%，验证集与测试集分别占9%和4%，符合目标检测任务数据划分的常规比例，训练集规模充足以保障模型学习能力，验证集与测试集合理分配用于模型性能评估，确保数据分布科学合理。该数据集标注工作严格遵循规范，所有锚元素的边界框标注精准，标注内容与... 【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 | **0.6351** mAP50-95 | 0.1958 Precision | 0.6436 Recall | 0.5714 train/box_loss | 1.6649 train/cls_loss | 1.3181 val/box_loss | 2.3156 val/cls_loss | 2.5145 【训练过程分析】 100 轮训练后 mAP50 仅 0.6351，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 0.1958，定位精度同样偏低。 【模型性能评估】 Precision 0.643... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。

基于扩展卡尔曼滤波（EKF）的激光雷达与雷达异构传感器融合算法研究（Matlab代码实现）

内容概要：本文系统解读了一套完整的多机器人路径规划（MAPF）MATLAB代码库，聚焦于优先级规划算法的工程实现。该框架将求解过程划分为几何、拓扑、调度与呈现四个解耦层次，实现了从地图解析、四邻域拓扑与Petri网建模，到基于优先级启发式的路径规划、时间同步冲突消解，再到动画可视化的全流程闭环。其核心创新在于“空间规划-时间消解”分离的设计思想：通过动态边权膨胀策略取代传统硬封锁，允许后续智能体在必要时穿越先前路径，提升狭窄环境下的规划成功率；利用节点预留历史机制实现高效的冲突查询，并结合几何惩罚机制在规划阶段预测潜在冲突，显著提高时间同步效率。框架还支持Petri网整数规划求解路径，增强了算法的完备性与优化潜力，整体具备良好的可复现性、可扩展性与教学价值。; 适合人群：具备一定编程基础和机器人路径规划基础知识，从事相关科研或工程应用的研发人员，尤其是高校研究生及自动化、人工智能方向的技术人员。; 使用场景及目标：①应用于仓储物流、无人机编队、自动驾驶等多智能体协同场景中的路径规划问题；②为MAPF算法的教学、实验与性能评估提供可复现的MATLAB实现参考；③支持对优先级规划、冲突消解机制、Petri网建模等关键技术进行二次开发与优化验证。; 阅读建议：建议读者按照文中所述的数据流顺序逐步学习，重点关注各模块之间的接口设计与信息传递机制，结合提供的可视化工具调试与观察算法行为，深入理解“空间规划-时间消解”分离的设计思想，并可在实际应用中尝试调整惩罚权重、同步策略等参数以优化性能。