当前位置：首页 > article >正文

【机器人】复现 3D-Mem 具身探索和推理 | 3D场景记忆 CVPR 2025

article 2025/9/13 17:24:10

3D-Mem 是用于具体探索和推理的3D场景记忆，来自CVPR 2025.

本文分享3D-Mem复现和模型推理的过程～

下面是一个推理和选择识别的结果：

看一下机器人探索的效果：

下面是真实环境下，官方跑的demo，3D-Mem无需训练的设计，可以无缝适应真实的机器人，从而实现在现实世界中的部署

项目地址：https://umass-embodied-agi.github.io/3D-Mem/

1、创建Conda环境

首先创建一个Conda环境，名字为3dmem，python版本为3.9

进入3dmem环境

conda create -n 3dmem python=3.9 -y
conda activate 3dmem

然后下载代码，进入代码工程：https://github.com/UMass-Embodied-AGI/3D-Mem

git clone https://github.com/UMass-Embodied-AGI/3D-Mem.git
cd 3D-Mem

2、安装habitat模拟器

我需要安装habitat-sim==0.2.5、headless 和 faiss-cpu

conda install -c conda-forge -c aihabitat habitat-sim=0.2.5 headless faiss-cpu=1.7.4 -y

等待安装完成～

3、安装 torch 和 pytorch3d

执行下面命令，进行安装torch：

pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118

再安装pytorch3d：

conda install https://anaconda.org/pytorch3d/pytorch3d/0.7.4/download/linux-64/pytorch3d-0.7.4-py39_cu118_pyt201.tar.bz2 -y

4、安装依赖库

执行下面命令进行安装：

pip install omegaconf==2.3.0 open-clip-torch==2.26.1 ultralytics==8.2.31 supervision==0.21.0 opencv-python-headless==4.10.* \scikit-learn==1.4 scikit-image==0.22 open3d==0.18.0 hipart==1.0.4 openai==1.35.3 httpx==0.27.2

等待安装完成～

5、安装clip

执行下面命令进行安装：

pip install git+https://github.com/openai/CLIP.git

打印信息

Looking in indexes: https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
Collecting git+https://github.com/openai/CLIP.gitCloning https://github.com/openai/CLIP.git to /tmp/pip-req-build-imrsh3kfRunning command git clone --filter=blob:none --quiet https://github.com/openai/CLIP.git /tmp/pip-req-build-imrsh3kfResolved https://github.com/openai/CLIP.git to commit dcba3cb2e2827b402d2701e7e1c7d9fed8a20ef1Preparing metadata (setup.py) ... done
.....
Successfully built clip
Installing collected packages: clip
Successfully installed clip-1.0

clip的主要思路流程：

6、修改Hugging Face 镜像源

代码会自动从Hugging Face下载模型权重，需要先配置为国内的镜像源

编辑用户配置文件 ~/.bashrc，设置为 export HF_ENDPOINT=https://hf-mirror.com

执行下面命令：

echo 'export HF_ENDPOINT=https://hf-mirror.com' >> ~/.bashrc
source ~/.bashrc  # 立即生效

验证环境变量，是否修改成功：

echo $HF_ENDPOINT

正常会输出：https://hf-mirror.com，说明设置成功啦～

7、准备HM3D数据集

我们需要下载 hm3d_v0.2

下载地址：GitHub - matterport/habitat-matterport-3dresearch

选择的下载文件：hm3d-val-habitat-v0.2.tar

然后放到data目录下：

8、准备gpt-4o的Api

推荐使用国内的供应商，比较稳定：https://ai.nengyongai.cn/register?aff=RQt3

首先“添加令牌”，设置额度（比如5块钱），点击查看就能看到Key啦

然后填写到 src/const.py中

# about habitat scene
INVALID_SCENE_ID = []# about chatgpt api
END_POINT = "https://ai.nengyongai.cn/v1"
OPENAI_KEY = "xxxxxxxxxxxxxxxxxxxxx"

点击模型列表，能查看支持的模型：

看一下使用情况：

9、运行模型推理

查看配置文件 cfg/eval_aeqa.yaml

# 通用设置
seed: 77  # 随机种子
exp_name: "exp_eval_aeqa"  # 实验名称
output_parent_dir: "results"  # 输出文件夹的父目录
scene_dataset_config_path: "data/hm3d_annotated_basis.scene_dataset_config.json"  # 场景数据集配置文件路径
scene_data_path: "data/hm3d_v0.2/"  # 场景数据路径
questions_list_path: 'data/aeqa_questions-41.json'  # 问题列表文件路径concept_graph_config_path: "cfg/concept_graph_default.yaml"  # 概念图配置文件路径# 主要设置
choose_every_step: true  # 是否在每一步都查询视觉语言模型（VLM），还是仅在到达导航目标后查询
egocentric_views: true  # 是否在提示视觉语言模型时添加自我中心视角
prefiltering: true  # 是否使用预筛选（实际上不能关闭，否则会超出上下文长度限制）
top_k_categories: 10  # 在预筛选过程中保留与目标最相关的前 k 个类别# 关于检测模型
yolo_model_name: yolov8x-world.pt  # YOLO 模型名称
sam_model_name: sam_l.pt  # SAM 模型名称
class_set: scannet200  # 使用 200 类别的数据集用于 YOLO-world 检测器# 关于快照聚类
min_detection: 1  # 最小检测数量# 相机和图像设置
camera_height: 1.5  # 相机高度（单位：米）
camera_tilt_deg: -30  # 相机倾斜角度（单位：度）
img_width: 1280  # 图像宽度（单位：像素）
img_height: 1280  # 图像高度（单位：像素）
hfov: 120  # 水平视场角（单位：度）# 是否保存可视化结果（这会比较慢）
save_visualization: true# 用于提示 GPT-4O 的图像大小
prompt_h: 360  # 提示图像高度（单位：像素）
prompt_w: 360  # 提示图像宽度（单位：像素）# 导航设置
num_step: 50  # 最大导航步数
init_clearance: 0.3  # 初始避碰距离（单位：米）
extra_view_phase_1: 2  # 第一阶段额外视角的数量
extra_view_angle_deg_phase_1: 60  # 第一阶段每个额外视角之间的角度（单位：度）
extra_view_phase_2: 6  # 第二阶段额外视角的数量
extra_view_angle_deg_phase_2: 40  # 第二阶段每个额外视角之间的角度（单位：度）# 关于 TSDF、深度图和边界更新
explored_depth: 1.7  # 已探索深度（单位：米）
tsdf_grid_size: 0.1  # TSDF 网格大小（单位：米）
margin_w_ratio: 0.25  # 宽度方向的边界比例
margin_h_ratio: 0.6  # 高度方向的边界比例
planner:  # 规划器设置eps: 1  # 规划器的精度max_dist_from_cur_phase_1: 1  # 第一阶段未找到目标时，探索边界的步长（单位：米）max_dist_from_cur_phase_2: 1  # 第二阶段找到目标后，接近目标的步长（单位：米）final_observe_distance: 0.75  # 第二阶段找到一个距离目标对象此距离的地方进行观察（单位：米）surrounding_explored_radius: 0.7  # 周围已探索区域的半径（单位：米）# 关于边界选择frontier_edge_area_min: 4  # 边界边缘最小面积frontier_edge_area_max: 6  # 边界边缘最大面积frontier_area_min: 8  # 边界最小面积frontier_area_max: 9  # 边界最大面积min_frontier_area: 20  # 边界至少需要的像素数量max_frontier_angle_range_deg: 150  # 边界中像素所张角度的最大值（单位：度）region_equal_threshold: 0.95  # 区域相等的阈值# 关于场景图构建
scene_graph:confidence: 0.003  # 置信度阈值nms_threshold: 0.1  # 非极大值抑制阈值iou_threshold: 0.5  # 交并比阈值obj_include_dist: 3.5  # 包含目标对象的距离（单位：米）target_obj_iou_threshold: 0.6  # 目标对象的交并比阈值

运行下面代码，生成 A-EQA 数据集的预测结果：

python run_aeqa_evaluation.py -cf cfg/eval_aeqa.yaml

运行程序后，会联网下载一些模型权重，

包括：yolov8x-world.pt、sam_l.pt、open_clip_pytorch_model.bin、ViT-B-32.pt等

下面是运行信息：

00:00:00 - ***** Running exp_eval_aeqa *****
00:00:00 - Total number of questions: 41
00:00:00 - number of questions after splitting: 41
00:00:00 - question path: data/aeqa_questions-41.json
Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x-world.pt to 'yolov8x-world.pt'...
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 141M/141M [04:04<00:00, 605kB/s]
00:04:09 - Load YOLO model yolov8x-world.pt successful!
Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/sam_l.pt to 'sam_l.pt'...
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1.16G/1.16G [11:56<00:00, 1.74MB/s]
00:16:12 - Load SAM model sam_l.pt successful!
00:16:12 - Loaded ViT-B-32 model config.
open_clip_pytorch_model.bin:  70%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▎                                                  | 440M/626M [03:17<01:11, 2.58MB/s]....

当下载和加载成功后，会显示：

00:00:00 - ***** Running exp_eval_aeqa *****
00:00:00 - Total number of questions: 41
00:00:00 - number of questions after splitting: 41
00:00:00 - question path: data/aeqa_questions-41.json
00:00:00 - Load YOLO model yolov8x-world.pt successful!
00:00:02 - Load SAM model sam_l.pt successful!
00:00:02 - Loaded ViT-B-32 model config.
00:00:04 - Loading pretrained ViT-B-32 weights (laion2b_s34b_b79k).
00:00:05 - Load CLIP model successful!
00:00:05 - Question 00c2be2a-1377-4fae-a889-30936b7890c3 already processed
00:00:05 - Question 013bb857-f47d-4b50-add4-023cc4ff414c already processed
00:00:05 - 
========
Index: 2 Scene: 00848-ziup5kvtCCR
00:00:05 - semantic_texture_path: data/hm3d_v0.2/val/00848-ziup5kvtCCR/ziup5kvtCCR.semantic.glb or scene_semantic_annotation_path: data/hm3d_v0.2/val/00848-ziup5kvtCCR/ziup5kvtCCR.semantic.txt does not exist
00:00:06 - Loaded 192 classes from scannet 200: data/scannet200_classes.txt!!!
00:00:06 - Load scene 00848-ziup5kvtCCR successfully without semantic texture
00:00:10 - Question id 01fcc568-f51e-4e12-b976-5dc8d554135a initialization successful!
00:00:10 - 
== step: 0
00:00:11 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.12 seconds
00:00:13 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.09 seconds
00:00:15 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.08 seconds
00:00:16 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.05 seconds
00:00:17 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.04 seconds
00:00:18 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.05 seconds
00:00:19 - Done! Execution time of detections_to_obj_pcd_and_bbox function: 0.07 seconds
00:00:20 - Step 0, update snapshots, 25 objects, 6 snapshots
00:00:23 - HTTP Request: POST https://ai.nengyongai.cn/v1/chat/completions "HTTP/1.1 200 OK"
00:00:23 - Prefiltering selected classes: ['sofa chair', 'couch', 'pillow', 'coffee table', 'cabinet']
00:00:23 - Prefiltering snapshot: 6 -> 3
00:00:23 - Input prompt:
00:00:23 - Task: You are an agent in an indoor scene tasked with answering questions by observing the surroundings and exploring the environment. To answer the question, you are required to choose either a Snapshot as the answer or a Frontier to further explore.
Definitions:
Snapshot: A focused observation of several objects. Choosing a Snapshot means that this snapshot image contains enough information for you to answer the question. If you choose a Snapshot, you need to directly give an answer to the question. If you don't have enough information to give an answer, then don't choose a Snapshot.
Frontier: An observation of an unexplored region that could potentially lead to new information for answering the question. Selecting a frontier means that you will further explore that direction. If you choose a Frontier, you need to explain why you would like to choose that direction to explore.
Question: Where is the teddy bear?
Select the Frontier/Snapshot that would help find the answer of the question.
The following is the egocentric view of the agent in forward direction: [iVBORw0KGg...]
The followings are all the snapshots that you can choose (followed with contained object classes)
Please note that the contained classes may not be accurate (wrong classes/missing classes) due to the limitation of the object detection model. So you still need to utilize the images to make decisions.
Snapshot 0 [iVBORw0KGg...]coffee table, couch, pillow
Snapshot 1 [iVBORw0KGg...]coffee table, pillow, sofa chair
Snapshot 2 [iVBORw0KGg...]cabinet, couch
The followings are all the Frontiers that you can explore: 
Frontier 0 [iVBORw0KGg...]
Frontier 1 [iVBORw0KGg...]
Please provide your answer in the following format: 'Snapshot i
[Answer]' or 'Frontier i
[Reason]', where i is the index of the snapshot or frontier you choose. For example, if you choose the first snapshot, you can return 'Snapshot 0
The fruit bowl is on the kitchen counter.'. If you choose the second frontier, you can return 'Frontier 1
I see a door that may lead to the living room.'.
Note that if you choose a snapshot to answer the question, (1) you should give a direct answer that can be understood by others. Don't mention words like 'snapshot', 'on the left of the image', etc; (2) you can also utilize other snapshots, frontiers and egocentric views to gather more information, but you should always choose one most relevant snapshot to answer the question.00:00:32 - HTTP Request: POST https://ai.nengyongai.cn/v1/chat/completions "HTTP/1.1 200 OK"
00:00:32 - Response: [frontier 0]
Reason: [I would like to explore the hallway further as it may lead to other rooms where the teddy bear might be located.]
00:00:32 - Prediction: frontier, 0
00:00:32 - Next choice: Frontier at [79 33]
UserWarning: *c* argument looks like a single numeric RGB or RGBA sequence, which should be avoided as value-mapping will have precedence in case its length matches with *x* & *y*.  Please use the *color* keyword-argument or provide a 2D array with a single row if you intend to specify the same RGB or RGBA value for all points.
00:00:33 - Current position: [    0.11692    0.021223      6.1057], 1.005
00:00:34 - 
== step: 1

可视化的结果保存在：results/exp_eval_aeqa 中

看一下机器人探索区域可视化：

模型推理示例2

对应的配置文件是：cfg/eval_goatbench.yaml

运行代码，生成 GOAT-Bench 数据集的预测结果：

python run_goatbench_evaluation.py -cf cfg/eval_goatbench.yaml

GOAT-Bench 为每个场景提供了 10 个探索情节，并且由于时间和资源的限制，默认只测试第一情节。

我们还可以通过设置来指定要评估每个场景的情节 --split。

分享完成～

【机器人】复现 3D-Mem 具身探索和推理 | 3D场景记忆 CVPR 2025

3D-Mem 是用于具体探索和推理的3D场景记忆，来自CVPR 2025. 本文分享3D-Mem复现和模型推理的过程～ 下面是一个推理和选择识别的结果： 看一下机器人探索的效果： 下面是真实环境下，官方跑的demo，3D-Mem无需训…...

编程日记 2025/9/6 2:28:44

鸿蒙进阶——CMakelist、GN语法简介及三方库通用移植指南

文章大纲引言一、GN常用的内置变量二、GN常用的内置函数三、CMake 重要语法1、生成动态库2、生成静态库3、生成OBJECT 库4、重要的函数和模块4.1、add_definitions4.2、execute_process4.3、add_dependencies4.4、install4.5、FetchContent 四、GN 重要语法1、编译Target2、预…...

编程日记 2025/9/11 15:30:18

CSS-5.1 Transition 过渡

本系列可作为前端学习系列的笔记，代码的运行环境是在HBuilder中，小编会将代码复制下来，大家复制下来就可以练习了，方便大家学习。 HTML系列文章已经收录在前端专栏，有需要的宝宝们可以点击前端专栏查看！ 点…...

编程日记 2025/9/3 18:01:02

TTS：VITS-fast-fine-tuning 快速微调 VITS

1，项目概述 VITS是一种语音合成的方法，是一个完全端到端的TTS 模型，它使用预先训练好的语音编码器将文本转化为语音，并且是直接从文本到语音波形的转换，无需额外的中间步骤或特征提取。 VITS的工作流程为：…...

编程日记 2025/8/15 5:57:25

从虚拟仿真到行业实训再到具身智能--华清远见嵌入式物联网人工智能全链路教学方案

2025年5月23-25日，第63届中国高等教育博览会（高博会）将在长春中铁东北亚国际博览中心举办。作为国内高等教育领域规模大、影响力广的综合性展会，高博会始终聚焦教育科技前沿，吸引全国高校管理者、一线教师、教育科技企…...

编程日记 2025/9/11 13:34:38

告别手动绘图！2分钟用 AI 生成波士顿矩阵

波士顿矩阵作为经典工具，始终是企业定位产品组合、制定竞争策略的核心方法论。然而，传统手动绘制矩阵的方式，往往面临数据处理繁琐、图表调整耗时、团队协作低效等痛点。随着AI技术的发展，这一现状正在被彻底改变。boardmix博思白…...

编程日记 2025/9/11 15:45:12

GraphPad Prism工作表的管理

《2025新书现货 GraphPad Prism图表可视化与统计数据分析（视频教学版）雍杨康巧昆清华大学出版社教材书籍 9787302686460 GraphPadPrism图表可视化无规格》【摘要书评试读】- 京东图书 GraphPad Prism统计数据分析_夏天又到了的博客-CSDN博客工作…...

编程日记 2025/9/11 15:17:39

【modelscope/huggingface 通过colab将huggingface 模型/数据集/空间转移到 modelscope并下载】

1. 准备注册一个modelscope账号（国内的）拿到对应的访问令牌SDK/API令牌注册一个google账号， 登录colab 2. 开始干! 打开一个ipynb 安装依赖包 !pip install -qqq modelscope huggingface-hub -U选择安装git lfs !curl -s https://packag…...

编程日记 2025/8/19 6:23:16

告别静态UI！Guineration用AI打造用户专属动态界面

摘要作为智能原生操作系统 DingOS 的核心技术之一，Guineration 生成式 UI 体系深刻践行了 DingOS“服务定义软件”的核心理念。DingOS 以“一切皆服务、服务按需而取、按用付费”为设计宗旨，致力于通过智能原生能力与粒子服务架构，实现资源…...

编程日记 2025/9/7 19:55:39

第六届电子通讯与人工智能国际学术会议（ICECAI 2025）

在数字化浪潮中，电子通讯与人工智能的融合正悄然重塑世界的运行逻辑。技术基础的共生关系是这场变革的核心——电子通讯如同“信息高速公路”，通过5G等高速传输技术，将海量数据实时输送至AI系统，使其能够像人类神经系统般快速响应…...

编程日记 2025/9/11 21:05:27

【C/C++】C++并发编程：std::async与std::thread深度对比

文章目录 C并发编程：std::async与std::thread深度对比1 核心设计目的以及区别2 详细对比分析3 代码对比示例4 适用场景建议5 总结 C并发编程：std::async与std::thread深度对比在 C 中，std::async 和 std::thread 都是用于并发编程的工具&am…...

编程日记 2025/9/8 23:19:09

每日算法刷题Day11 5.20:leetcode不定长滑动窗口求最长/最大6道题，结束不定长滑动窗口求最长/最大,用时1h20min

6. 1695.删除子数组的最大得分(中等) 1695. 删除子数组的最大得分 - 力扣（LeetCode） 思想 1.给你一个正整数数组 nums ，请你从中删除一个含有若干不同元素的子数组**。**删除子数组的得分就是子数组各元素之和。返回只删除一个子…...

编程日记 2025/7/11 23:40:22

STL中的Vector(顺序表)

vector容器的基本用法： template<class T> class vector { T* _a; size_t size; size_t capacity; } 尾插和遍历： vector<int> v; v.push_back(1); v.push_back(2); v.push_back(3);//遍历 for(int i0;i<v.size();i) {cout<<…...

编程日记 2025/8/19 6:20:44

iOS Runtime与RunLoop的对比和使用

Runtime 机制核心概念 Objective-C 的动态特性：Objective-C 是一门动态语言，很多工作都是在运行时而非编译时决定的消息传递机制：方法调用实际上是发送消息 objc_msgSend(receiver, selector, ...)方法决议机制：动态方法解析、…...

编程日记 2025/9/13 7:34:10

解决vscode在任务栏显示白色图标

长久不用，不知道怎么着就显示成白色图标，虽然不影响使用，但是看起来不爽问了豆包，给了个解决方法： 1、打开隐藏文件， 由于图标缓存文件是隐藏文件，首先点击资源管理器中的 “查看” 菜单&am…...

编程日记 2025/9/11 0:56:01

架构思维：构建高并发扣减服务_分布式无主架构

文章目录 Pre无主架构的任务简单实现分布式无主架构设计和实现扣减中的返还什么是扣减的返还返还实现原则原则一：扣减完成才能返还原则二：一次扣减可以多次返还原则三：返还的总数量要小于等于原始扣减的数量原则四：返还要保证幂等…...

编程日记 2025/9/11 15:39:09

Vue 3 官方 Hooks 的用法与实现原理

Vue 3 引入了 Composition API，使得生命周期钩子（hooks）在函数式风格中更清晰地表达。本篇文章将从官方 hooks 的使用、实现原理以及自定义 hooks 的结构化思路出发，全面理解 Vue 3 的 hooks 系统。 📘 1. Vue 3 官方生…...

编程日记 2025/8/19 1:21:16

Vue3 打印表格、Element Plus 打印、前端打印、表格导出打印、打印插件封装、JavaScript 打印、打印预览

🚀 Vue3 高级表格打印工具封装（支持预览、分页、样式美化）现已更新至npm # npm npm install vue-table-print# yarn yarn add vue-table-print# pnpm pnpm add vue-table-printgithunb地址： https://github.com/zhoulongshao/vue-table-print/blob/main/README.MD关键词…...

编程日记 2025/8/18 16:35:27

湖北理元理律师事务所：专业债务优化如何助力负债者重获生活掌控权

在当前经济环境下，个人债务问题日益凸显。湖北理元理律师事务所通过其专业的债务优化服务，为负债群体提供了一条合法合规的解决路径。本文将客观分析专业债务规划的实际价值，不涉及任何营销内容。一、债务优化的核心价值科学评估&#xf…...

编程日记 2025/9/11 11:34:19

RAGFlow知识检索原理解析：混合检索架构与工程实践

一、核心架构设计 RAGFlow构建了四阶段处理流水线，其检索系统采用双路召回+重排序的混合架构： S c o r e f i n a l = α ⋅ B M...

编程日记 2025/8/19 6:08:17

5月22总结

P1024 [NOIP 2001 提高组] 一元三次方程求解题目描述有形如：$ a x^3 b x^2 c x d 0 $ 这样的一个一元三次方程。给出该方程中各项的系数（$ a,b,c,d $ 均为实数），并约定该方程存在三个不同实根（根的范围在 $ -1…...

编程日记 2025/8/10 15:10:35

Java设计模式之桥接模式：从入门到精通

1. 桥接模式概述 1.1 定义与核心思想桥接模式（Bridge Pattern）是一种结构型设计模式，它将抽象部分与实现部分分离，使它们可以独立变化。这种模式通过提供桥梁结构（Bridge）将抽象和实现解耦。专业定义：桥接模式将抽象部分与它的实现部分分离，使它们都可以独立地变化…...

编程日记 2025/8/11 21:01:37

uni-app学习笔记九-vue3 v-for指令

v-for 指令基于一个数组来渲染一个列表。v-for 指令的值需要使用 item in items 形式的特殊语法，其中 items 是源数据的数组，而 item 是迭代项的别名： <template><view v-for"(item,index) in 10" :key"index"…...

编程日记 2025/9/11 15:16:39

MAC电脑中右键后复制和拷贝的区别

在Mac电脑中，右键菜单中的“复制”和“拷贝”操作在功能上有所不同： 复制功能：在选定的位置创建一个与原始文件相同的副本。快捷键：CommandD用于在当前位置快速复制文件，CommandC用于将内容复制到剪贴板。效果&…...

编程日记 2025/9/6 2:28:43

Regmap子系统之六轴传感器驱动-编写icm20607.c驱动

（一）在驱动中要操作很多芯片相关的寄存器，所以需要先新建一个icm20607.h的头文件，用来定义相关寄存器值。 #ifndef ICM20607_H #define ICM20607_H /*************************************************************** 文件名 : i…...

编程日记 2025/6/16 6:50:24