物联网

NPU片上SRAM：分块先于算力

很多芯片标称 TOPS 很高，实测却总在复杂模型上跑不满。NPU遇到这种落差时，先要看的往往不是乘加阵列，而是片上 SRAM 装不装得下合理分块，以及片外读写是否踩在对齐边界上。

NPU升级为何通过编译却死在运行？

NPU领域最危险的一类问题，就是编译阶段一切顺利，运行后却出现结果飘移、偶发超时或局部崩溃，因为固件、编译器和驱动实际并没有站在同一语义上。

NPU性能画像不能只盯利用率

很多团队做性能排查时，第一眼就看利用率曲线，数字低就怀疑算子没铺满，数字高就以为系统接近极限。NPU如果只剩这一根指标，很多慢路径都会被错判，因为高利用率未必代表高效率，低利用率也未必意味着算力闲着。

边缘AI安全降级由拒识与看门狗共同闭环

高准确率模型仍会遇到训练集之外的输入，也可能卡死而不给结果。边缘AI进入控制链后，安全性取决于能否识别“不该判断”和“已经失效”这两种状态。

边缘AI多摄融合，时基比帧率更关键

多台相机都输出三十帧，并不意味着它们观察的是同一时刻。边缘AI做空间融合时，真正决定几何一致性的，是曝光时基和对象运动之间的关系。

边缘AI内存规划：先压峰值再谈模型大小

模型文件能装进闪存，不代表推理过程能装进内存。边缘AI的容量门槛往往由同时存活的激活张量决定，而分块降峰值又会引入新的边缘误差。

边缘AI任务怎么切？张量边界如何定？

把模型从云端搬到设备上之后，系统边界不再等于模型边界。边缘AI能否稳定实时，取决于子图在哪里切开，以及切开后谁拥有那块张量缓冲。

边缘AI运行时别只报FPS：尾延迟要能追因

平均FPS正常，控制仍偶尔错过窗口，说明慢帧被均值藏住了。边缘AI运行时要解释每条结果为何变慢，并识别性能基线何时开始漂移。

SenseCraft 部署模型到Grove Vision AI V2图像处理模块

全网最适合入门的面向对象编程教程：37 Python常用复合数据类型-列表和列表推导式

基于Python的嵌入式OTA升级脚本开发：自动完成固件打包与差分生成

物联网设备大规模部署后，固件升级是维护生命线。每次升级若都全量传输数兆字节的固件，带宽和流量成本难以承受。差分OTA的核心思想是只传输新旧固件的差异部分，将升级包体积压缩到原来的10%-30%。Python凭借丰富的库生态，可以轻松实现固件打包、差分计算、完整性校验等自动化流程。本文提供一个可直接集成的脚本框架。

C语言实现嵌入式固件的差分升级：把OTA包体积压缩70%的实用方法

在物联网设备OTA升级中，全量固件包的体积往往在百KB甚至MB级别。对于NB-IoT、LoRa等低带宽网络，传输一个完整固件可能需要数十分钟，且失败率随包增大而上升。差分升级的核心思想是：只传输新旧固件之间的差异部分，接收端根据旧固件和差异数据重建新固件。实测表明，对于常见的固件迭代（修改少量代码或配置），差分包体积通常只有全量包的30%~40%，压缩比可达70%以上。本文给出一个基于C语言的轻量级差分升级实现，可直接嵌入到MCU的bootloader中。

自动驾驶时间同步为何先失真？滚快门怎么补？

自动驾驶看见的并不是同一瞬间的世界，而是被各路时间戳重新拼接后的场景。只要时基和曝光节拍没有对齐，后端模型越复杂，几何失真反而越难解释。

自动驾驶回灌制动先受轮胎纵向刚度约束

自动驾驶做能量回收时，常把约束首先放在电池和电机上，但真正决定能回多少、能回多稳的，往往是轮胎先不先进入非线性区。只看电气侧余量去加大回灌，纵向稳定性会比能量收益更早碰壁。

边缘计算证书治理不能等到过期

很多团队把证书当成上线时配一次的材料，直到现场大批节点同时失联才意识到它是运行时问题。边缘计算若等证书快过期才处理，续期、时钟和离线恢复会在同一刻一起爆出来。