RP2040
PulseAugur coverage of RP2040 — every cluster mentioning RP2040 across labs, papers, and developer communities, ranked by signal.
- 2026-09-13 research_milestone A researcher trained a small AI model to generate executable drawing programs for the RP2040 microcontroller. 来源
4 天有情绪数据
-
小型AI模型为微控制器生成可执行绘图程序
一位研究人员开发了一个82.5万参数的Transformer模型，该模型能够为RP2040微控制器等受限硬件生成可执行的绘图程序。该模型生成字节码，然后由小型虚拟机在RP2040上执行，从而产生精确的几何输出，而无需浮点硬件或张量运行时。实验探索了各种数据表示以及模型发现结构模式的能力，目前的工作重点是改进显式关系处理以实现更准确的生成。
-
Deep Microcompression enables CNNs on microcontrollers
一篇新论文介绍了深度微压缩（DMC）方法，该方法旨在优化微控制器上的深度学习模型。DMC结合了结构化剪枝、感知量化训练和比特打包，显著减小了模型尺寸并提高了资源受限设备上的推理效率。该方法已成功地将卷积神经网络（CNNs）部署到仅有2KB SRAM的微控制器上，这在以前被认为是不可能实现的。
-
生成式 AI 成功在 Raspberry Pi Pico W 微控制器上运行
一款 Raspberry Pi Pico W 微控制器（特别是 RP2350 型号）已被成功用于运行生成式人工智能模型。这一成就表明，小型、易于访问的硬件有潜力支持 AI 任务，超越了传统的强大计算设备。
-
新型卡尔曼滤波算法增强机器人倾角估计
研究人员开发了一种新的倾角估计算法，这对于机器人和运动跟踪等应用至关重要。该系统使用MPU6050惯性测量单元和RP2040微控制器。通过使用卡尔曼滤波器，该算法有效地融合了来自加速度计和陀螺仪的数据，以减轻噪声和漂移，从而比单独使用任一传感器获得更稳定、更准确的倾角估计。
-
新框架使资源受限的毫机器人能够学习技能
研究人员开发了tinyDSM，一个旨在使资源受限的毫机器人能够自主学习和适应技能的新型框架。该系统集成了内在动机和基于适应性的评估，以促进技能获取，从最少的硬编码知识开始，并逐步开放式地开发新能力。使用配备Raspberry Pi Pico的毫机器人进行的实验表明，机器人在15分钟内学会了基本的运动技能和复杂的几何图案，并通过模拟进行了进一步分析。
-
开源BugBuster让AI能够调试真实电子电路
一款名为BugBuster的新型开源工具已发布，旨在让AI模型能够调试物理电子电路。BugBuster由‘lollokara’开发，通过实现与硬件的直接交互，弥合了AI推理能力与物理世界之间的差距。它使用带有RP2040 HAT的ESP32微控制器，并支持模型上下文协议（MCP），使Claude等AI模型能够自主执行测量电压、分析信号和控制电源等任务。
-
开发者使用 Claude AI 构建开源硬件仪器
一位开发者利用 Claude AI 作为主要编程伙伴，构建了一个名为 BugBuster 的开源仪器。这个复杂的软硬件项目包括一个逻辑分析仪、SWD 探头和可调电源轨，Claude 在调试固件、开发线协议和创建基于 Web 的前端方面提供了帮助。虽然 Claude 在理解 RTOS 状态和管理多文件协议一致性方面表现出色，但在平台特定细节和重构建议方面需要监督。
-
爱好者打造集成原始 PlayStation 2 硬件的定制掌机
一位爱好者成功打造了一款运行原始 PlayStation 2 硬件的定制掌上设备。该项目被命名为“PlayStation 2 Portable”，其特点是逆向工程的主板集成了原始 PS2 芯片与现代组件，如 USB-PD 充电和定制的冷却系统。整个设计是开源的，允许其他人复制该设备，该设备拥有受现代掌机启发的特性，并支持双 microSD 卡插槽用于游戏存储和自制应用程序。