goodisok 的博客

摘要：霍尔效应是凝聚态物理学中”最简单又最深刻”的现象之一。1879 年 Edwin Hall 发现通电导体在磁场中产生横向电压，这个看似平凡的实验在 100 年后演变为量子霍尔效应（两次诺贝尔奖）、分数量子霍尔效应、量子反常霍尔效应——最终通向了 2024 年拓扑量子计算的实验突破。本文从洛伦兹力公式出发，一步步推导到 RH=h/νe2R_H = h/\nu e^2RH​=h/νe2 的量子化平台，并讨论这些效应如何塑造了现代物理学和电子技术的面貌。 阅读导航：本文前四章只需要高中物理基础（电磁学 + 洛伦兹力）。第五章之后涉及量子力学概念，读者可根据背景选择性阅读。 一、从1879年的一个简单实验说起1879 年，24 岁的美国博士生 Edwin Hall 在 Johns Hopkins 大学做了一个现在看来极其简单的实验： “在通电的金箔条上施加垂直磁场，然后在金箔两侧测量电压。” 他的导师 Rowland 最初认为这不会有什么结果——当时的理论认为磁场只会作用在整根导线上，不会产生横向效应。但 Hall 坚持做了实验，结果发现了一个全新的物理现象： 当电...

摘要：2024年是AI数学推理的”iPhone时刻”。AlphaProof在IMO 2024上获得银牌，AlphaGeometry在几何领域超越人类金牌水平，DeepSeek系列开源模型将形式化证明的入门门槛降到几乎为零。本文系统梳理了这场正在发生的”AI数学革命”的技术脉络：从神经符号方法到强化学习证明搜索，从Lean社区爆发到AI辅助数学家的工作流变革，并给出我对”AI是否会取代数学家”的判断。 一、2024：AI数学推理的”iPhone时刻”2024年7月，伦敦的IMO（国际数学奥林匹克）赛场上传来了一个让数学界和AI界同时震动的消息：Google DeepMind的AlphaProof系统在IMO 2024中获得了银牌水平（4/6题满分，总分28/42），而它的”姐妹系统”AlphaGeometry 2在几何题上获得满分。 这是AI首次在IMO上达到人类竞赛选手的奖牌水平。如果将时间倒推两年——2022年，最好的AI数学系统在IMO上的得分是0——这个跨越的速度令人震惊。 但事情远不止”AI会做题”这么简单。 在这背后，一场更深层的革命正在数学...

摘要：Genesis World 以 29,000+ Stars 成为 2025-2026 年全球最受关注的机器人仿真项目。本文从 arXiv 技术报告、GitHub 源码（252 个 Python 模块）和完整文档三个维度，对 Genesis World 进行系统性深度分析。涵盖四层架构设计、Quadrants 编译器原理、六种物理求解器的统一机制、Nyx 渲染器的技术路线、Sim-to-Real 相关系数 0.8996 意味着什么，以及它与 MuJoCo/Isaac Lab 的真正差异。 声明：本文基于 Genesis World v1.0.0 的公开源码、文档和技术博客撰写，所有数据和分析均来自可验证的公开材料。 一、Genesis World 是什么：一个四层架构的统一仿真平台Genesis World（前身为 Genesis）由 Genesis AI 公司维护，源码公开于 Genesis-Embodied-AI/genesis-world。它是一个面向 Physical AI 的统一仿真平台，核心哲学是将仿真定位为 “AI 模型的评估引擎” 而非...

摘要：2024-2026年是机器人仿真领域爆发式增长的两年。Genesis以29K stars刷新开源机器人项目的纪录，MuJoCo完成GPU加速转型（MJX），NVIDIA构建了从仿真到Foundation Model的完整工业管线。本文从五个维度系统梳理了当前技术版图：通用仿真平台、RL训练与Sim-to-Real、灵巧操作与触觉仿真、人形机器人与运动控制、数据集与Benchmark。旨在为从业者提供一份兼具深度与广度的技术参考。 一、写在前面：为什么机器人仿真正在经历”寒武纪大爆发”2024年底，一个名为Genesis的项目在GitHub上一夜爆红，短短数月斩获近30,000 stars——对于一个机器人仿真器而言，这是前所未有的关注度。这个数字背后反映的不仅仅是某个项目的成功，而是整个机器人仿真领域正在经历一场深层的范式转型。 三层驱动力： Foundation Models的倒逼：当VLA（视觉-语言-动作）模型和GR00T这样的机器人基础模型开始涌现时，它们对训练数据的渴求远远超出了真机采集的能力边界。仿真器不再是”可选项”，而是”必需品”。 GPU规模化计...

一、MuJoCo 是什么？为什么灵巧手仿真都用它？MuJoCo 全称 Multi-Joint dynamics with Contact，是 Roboti LLC 开发、后被 DeepMind 收购并开源的物理引擎。它专门为 机器人、多体系统、接触丰富 的场景设计。 1.1 和其他引擎的对比 引擎 特点 适合什么 MuJoCo 快、稳、接触处理优秀 机器人、灵巧手、抓取 PyBullet Python 接口友好，功能全面 教学、入门 Isaac Sim 高保真、GPU 加速、光线追踪 Sim2Real、视觉仿真 Gazebo 传感器模型丰富，ROS 生态好 工业级移动操作平台 灵巧手仿真为什么选 MuJoCo？ 快：单环境 1000+ FPS，RL 训练的基础 接触稳定：灵巧手每天和物体接触几百次，其他引擎容易炸 开源、免费：改代码无限制 DeepMind 背书：OpenAI Dactyl 用它训练的 Shadow Hand 策略直接迁移到真机 1.2 版本说明2022 年 DeepMind 收购后，MuJoCo 进入 2.2+ 时代： 完全开源（...

摘要：本文基于 Isaac Sim 5.1.0 官方文档，深入分析其扩展（Extension）架构、PhysX 5 GPU 物理引擎的求解器与碰撞管线、基于光线追踪的传感器仿真框架、Articulation API 的关节控制机制、ROS2 Bridge 的 OmniGraph 与 Python 双模式集成、Isaac Lab 的 GPU 原生 RL 训练管线，以及 Replicator 合成数据生成工作流。区别于”入门介绍”，本文聚焦技术细节、API 签名与工作流模式，旨在为开发者提供可直接映射到代码实现的技术参考。 参考文档：https://docs.isaacsim.omniverse.nvidia.com/5.1.0/index.html 一、平台架构：从扩展系统到运行时模型1.1 Extension（扩展）系统Isaac Sim 的所有功能都以 Extension 形式组织。Extension 是 Omniverse Kit 框架的一等公民——每个 Extension 是一个独立的 Python 模块，有自身的生命周期（on_startup / on...

引言在之前的两篇文章中，我们分别剖析了 AirSim 的总体架构（五层分层设计）和 AirSim↔PX4 SITL 的双通道通信架构（锁步同步与 MAVLink 路由）。本文更进一步，聚焦四旋翼 SITL 仿真的完整闭环——从 AirSim 初始化一个四旋翼无人机、与 PX4 建立连接、传感器数据注入、到 PX4 解算控制指令并驱动旋翼旋转的端到端流程。所有分析基于 AirSim main 分支源码。 本文重点：不重复前两篇文章的内容。如果你还没读过，建议先看前两篇建立全局认知。 一、仿真闭环总览：一张图看懂数据流在深入源码之前，先建立全局视图。下图展示了一次 SITL 仿真循环的完整数据链路——从 AirSim 物理引擎生成位姿，到 PX4 飞控解算电机指令，再回到旋翼驱动的闭环： 简化版 ASCII 流程如下： 123456789101112131415161718192021222324252627282930313233┌─────────────────────────────────────────────────────────────────┐│ ...

本文通过逐文件分析 AirSim 源码，解析 AirSim 与 PX4 SITL 之间的完整集成架构。涵盖双通道通信设计、锁步同步机制、HIL 传感器数据流和 MAVLink 消息路由。 源码位置：本文所有分析基于 AirSim main 分支（AirLib 及 MavLinkCom 目录），约 15 个核心文件。 一、双通道架构：数据与控制分离AirSim 与 PX4 SITL 之间采用双通道通信架构，将高频传感器数据和低频控制信号分离到两个独立的 MAVLink 网络： 1.1 通道定义 通道 端口 协议 带宽 用途 数据通道 UDP 4560 MAVLink v2 250 Hz+ HIL_SENSOR, HIL_GPS, HIL_OPTICAL_FLOW 控制通道 UDP 14580 MAVLink v2 10-50 Hz RC_CHANNELS_OVERRIDE, 系统状态, 参数读写 两条通道共享同一个 MAVLink 连接实例，通过消息路由机制实现物理分离。 1.2 源码实现数据通道和控制通道在 MavLinkMultirotorApi.hp...

不是所有代理模型都一样。高斯过程适合小数据+需要不确定性，MLP适合生产部署+需要梯度，树模型适合表格特征——选错方法等于浪费宝贵的CFD计算时间。本文从数据效率、推理速度、不确定性、梯度可用性等七个维度系统对比四种主流方法，并给出明确的选型决策树。 一、为什么选型是代理模型项目中最关键的决策CFD代理模型的研发链路中，方法选择是第一个不可逆的决策。选错方法的代价不是”稍微差一点”——而是整个训练数据收集策略、部署方式、后续可维护性都跟着走偏了。 四种方法的核心差异可以用一个表概括： 维度 高斯过程 (GP) 多层感知器 (MLP) 随机森林 (RF) 梯度提升 (GB) 数据效率 ⬆⬆ 最高 ⬆ 高（+物理约束） ➡ 中 ➡ 中 推理速度 ⬇ 慢（O(N)） ⬆⬆ 最快 ⬆ 快 ⬆ 快 不确定性输出 ✅ 天然 ❌ 需额外方法 ❌ 无 ❌ 无 梯度可用 ✅ 解析梯度 ✅ 自动微分 ❌ 不可微 ❌ 不可微 外推能力 ⬆ 好（核选择） ⬆ 好（物理约束） ⬇⬇ 差 ⬇⬇ 差 超参调优难度 ⬇ 低 ⬇⬇ 高 ⬇⬇ 低 ⬆ 中 可导出ONNX ❌...

从零搭建翼型气动代理模型——零CFD依赖即可完成90%开发。本文用解析函数做真值、Prandtl框架做训练、ONNX做部署，让你看到代理模型从采样到部署的完整链路。 一、目标：五步完成翼型代理模型本文以薄翼型升力系数预测为例，展示CFD代理模型的完整开发流程： 问题定义：输入参数化、输出定义 采样设计：在输入空间选择训练点 真值计算：用解析公式（替代CFD）生成标签 模型训练：GP和MLP对比 模型部署：导出ONNX用于生产 关键前提：开发代理模型框架时不需要任何CFD数据。解析函数做真值是验证框架逻辑最快、最可靠的方式——等框架验证通过后再对接真实CFD也不迟。 二、环境准备1pip install prandtl-cfd numpy matplotlib scikit-learn onnx onnxruntime 确认安装： 12import prandtl as prprint(f"Prandtl version: {pr.__version__}") 三、步骤1：问题定义薄翼型升力公式根据薄翼型理论，升力系数 CLC...