1. 项目概述当你的摄像头学会“思考”与“说话”想象一下你放在家门口的摄像头不再仅仅是一个被动的录像设备。它能够主动识别出画面中出现的快递员、陌生人甚至是家里宠物打翻了花瓶的瞬间然后像一个贴心的助手立刻通过你每天高频使用的Telegram应用给你发送一条图文并茂的即时消息。这不是科幻电影里的场景而是利用Grove Vision AI V2这样一块小小的边缘AI计算模块结合开源软件栈就能轻松实现的项目。这个项目的核心价值在于它将“视觉感知”与“即时通讯”无缝连接创造了一个低延迟、高隐私、可高度定制的智能监控与通知系统。Grove Vision AI V2是一块由Seeed Studio推出的高性能边缘AI视觉模组其核心是一颗专为机器视觉优化的处理器能够本地化运行YOLO等先进的物体检测模型无需将视频流上传至云端直接在设备端完成分析。这意味着更快的响应速度毫秒级和绝对的数据隐私。而Telegram作为通知渠道其开放的Bot API、强大的多媒体消息支持以及近乎实时的推送能力使其成为智能家居、安防监控等场景下极佳的信息触达终端。本项目就是将这两者结合打造一个从“看见”到“告知”的完整自动化链路。无论你是想DIY一个智能门铃、一个仓库入侵检测器还是一个婴儿房看护助手这套方案都能为你提供一个坚实、灵活且有趣的技术底座。2. 核心方案设计与技术选型考量2.1 为什么选择Grove Vision AI V2在边缘视觉AI领域可选方案不少从树莓派加USB摄像头跑OpenCV到使用谷歌Coral USB加速棒再到各类国产AI模组。选择Grove Vision AI V2主要基于以下几点实战考量第一开箱即用的集成度。对于大多数开发者尤其是爱好者而言从零开始搭建视觉AI环境是一个充满“坑”的过程驱动兼容性、模型转换、框架部署……每一步都可能消耗数小时甚至数天。Grove Vision AI V2提供了一个近乎完整的交钥匙方案。它预装了基于Linux的操作系统并集成了成熟的视觉推理框架如OpenCV、TFLite Runtime和丰富的Python库。你拿到手接上电源和摄像头几分钟内就能跑通一个物体检测的示例代码。这种高度的集成将我们的精力从“让设备跑起来”聚焦到“如何用好AI能力”上。第二均衡的性能与功耗。该模组采用的专用AI处理器APU在运行像YOLOv5s这类轻量级模型时可以实现每秒数十帧的推理速度足以满足实时监控的需求。同时其功耗被控制在数瓦级别这意味着它可以7x24小时持续工作而无需担心发热严重或电费飙升非常适合长期部署的监控场景。相比之下用树莓派4B纯靠CPU跑YOLO帧率可能只有个位数且CPU占用率极高长期运行稳定性存疑。第三丰富的生态与接口。Grove Vision AI V2保留了Grove生态的接口可以轻松连接各种传感器如人体红外、温湿度、声音传感器未来扩展性极强。例如你可以结合人体红外传感器实现“有人移动且被识别为陌生人”时才触发AI识别与通知进一步降低系统功耗和误报。2.2 为什么选择Telegram作为通知渠道通知渠道的选择同样关键。邮件太慢短信有成本微信机器人接口不稳定且限制多。Telegram Bot在此脱颖而出开放的API与强大的功能。Telegram Bot API文档清晰、功能全面支持发送文本、图片、视频、文件甚至可以进行简单的交互如发送按钮。我们可以轻松地将AI识别出的关键帧图片或短视频连同识别结果如“检测到人置信度92%”打包成一条富媒体消息发送出去信息呈现非常直观。近乎零延迟与高可靠性。Telegram的消息推送机制非常高效在全球范围内都能做到秒级到达。这对于安防等需要快速响应的场景至关重要。其服务本身也以高可用性著称避免了自建消息推送服务的运维负担。隐私与可控性。你与Bot的通信是端到端加密的吗不完全是但Bot与Telegram服务器之间是加密的。更重要的是整个通信链路由你掌控通知只发送给你或你指定的群组数据不经过第三方监控平台符合本地化处理、隐私优先的设计理念。你不需要将视频片段上传到任何第三方AI服务或云存储所有数据都在本地闭环。实战心得在早期原型中我尝试过使用邮件和钉钉机器人。邮件延迟在数秒到数十秒不等且容易被归入垃圾箱。钉钉机器人对于非企业用户并不友好且有调用频率限制。切换到Telegram后通知的即时性和可靠性得到了质的提升开发体验也顺畅许多。3. 系统搭建与核心组件解析3.1 硬件准备与初始配置一套可运行的系统需要以下硬件组件Grove Vision AI V2 模组核心计算单元。兼容的摄像头官方推荐使用OV5647或IMX219传感器的摄像头模组常见于树莓派相机确保驱动兼容。我使用的是树莓派官方Camera Module V2IMX219。存储设备一张至少16GB的Micro SD卡用于刷入系统镜像。电源与连接一根Type-C电源线建议5V/2A以上用于供电。一根USB转TTL串口线用于首次配置时的系统登录和调试。网线可选用于有线网络连接更稳定。初始配置步骤如下下载与烧录系统镜像前往Seeed Studio的Wiki页面找到Grove Vision AI V2的专区下载最新的预装系统镜像通常是一个.img.gz文件。使用Etcher或Raspberry Pi Imager等工具将镜像烧录到Micro SD卡中。首次启动与网络配置将烧录好的SD卡插入模组连接摄像头和电源。通过串口线连接电脑使用PuTTY或MobaXterm等终端工具以串口方式登录波特率通常为115200。首次登录后系统可能会引导你进行一些基础设置如扩展文件系统、更改密码等。最关键的一步是配置Wi-Fisudo nmtui这是一个图形化的网络管理工具选择“Activate a connection”找到你的Wi-Fi热点并输入密码。连接成功后使用ifconfig或ip addr show命令查看获取到的IP地址。SSH远程登录获得IP地址后你就可以在电脑上通过SSH远程登录了这比串口方便得多。ssh usernamevision_ai_ip_address默认用户名和密码通常在Wiki中有说明例如pi/raspberry或seeed/seeed。注意首次使用串口时可能需要安装对应的USB转串口驱动。确保你的终端软件选择了正确的串口端口和波特率否则会看到乱码或无响应。3.2 软件环境部署与依赖安装系统预装了Python3和pip但我们需要安装项目特定的库。更新系统与pip首先确保系统包管理器和pip是最新的。sudo apt update sudo apt upgrade -y pip3 install --upgrade pip安装视觉处理与AI推理库核心是OpenCV和TensorFlow Lite运行时。sudo apt install -y python3-opencv libopencv-dev pip3 install tflite-runtimepython3-opencv通过apt安装通常比用pip安装更稳定因为它会处理好系统级的依赖。tflite-runtime是TensorFlow Lite的Python接口用于加载和运行我们转换好的.tflite模型。安装Telegram Bot库我们将使用python-telegram-bot这个维护活跃、功能强大的库。pip3 install python-telegram-bot准备AI模型Grove Vision AI V2的处理器对模型格式有特定要求。我们需要使用官方提供的工具链将训练好的模型如YOLOv5/v8转换为适配的.tflite格式。Seeed Studio通常会提供一些预转换好的常用模型。以YOLOv5s为例你需要从YOLOv5官方仓库获取.pt权重文件。使用Seeed提供的转换脚本或文档将.pt转换为.tflite。将转换好的yolov5s.tflite和对应的标签文件coco_labels.txt上传到Vision AI V2的某个目录例如~/models/。实操心得在安装python3-opencv时如果遇到依赖冲突可以尝试先安装一个稍旧的版本或者使用pip install opencv-python-headless无GUI支持更适合服务器环境。模型转换是关键一步务必严格按照官方文档的步骤进行特别注意输入输出张量的形状和数据类型一个参数错误就可能导致推理结果全无或崩溃。4. 核心代码实现与逻辑拆解整个程序可以划分为三个主要线程或循环视频捕获与推理线程、事件判断与过滤逻辑、Telegram通知发送模块。下面我们分块解析。4.1 视频流捕获与AI推理循环这是系统的“眼睛”和“大脑”。我们使用OpenCV捕获摄像头帧然后送入TFLite模型进行推理。import cv2 import numpy as np import tflite_runtime.interpreter as tflite class AIDetector: def __init__(self, model_path, label_path, conf_threshold0.5): # 加载模型 self.interpreter tflite.Interpreter(model_pathmodel_path) self.interpreter.allocate_tensors() self.input_details self.interpreter.get_input_details() self.output_details self.interpreter.get_output_details() # 加载类别标签 with open(label_path, r) as f: self.labels [line.strip() for line in f.readlines()] self.conf_threshold conf_threshold # 获取模型期望的输入尺寸例如 [1, 320, 320, 3] self.input_shape self.input_details[0][shape] self.height, self.width self.input_shape[1], self.input_shape[2] def preprocess(self, frame): 将摄像头帧预处理为模型输入格式 # 调整尺寸 img_resized cv2.resize(frame, (self.width, self.height)) # 归一化 (如果模型需要) 并调整维度为 [1, H, W, C] input_data np.expand_dims(img_resized.astype(np.float32) / 255.0, axis0) return input_data def detect(self, frame): 执行推理并返回检测结果 input_data self.preprocess(frame) # 设置输入张量 self.interpreter.set_tensor(self.input_details[0][index], input_data) # 运行推理 self.interpreter.invoke() # 获取输出 output_data self.interpreter.get_tensor(self.output_details[0][index]) # 这里需要根据你的模型输出格式进行解析例如YOLO格式是 [xywh, conf, class] # 假设 output_data 形状为 [1, n, 6]其中最后一维是 [x, y, w, h, conf, class_id] detections [] for det in output_data[0]: conf det[4] if conf self.conf_threshold: class_id int(det[5]) label self.labels[class_id] # 将归一化坐标转换回原图坐标 x_center, y_center, w, h det[0], det[1], det[2], det[3] x1 int((x_center - w/2) * frame.shape[1]) y1 int((y_center - h/2) * frame.shape[0]) x2 int((x_center w/2) * frame.shape[1]) y2 int((y_center h/2) * frame.shape[0]) detections.append({ label: label, confidence: conf, bbox: (x1, y1, x2, y2) }) return detections关键点解析模型加载与预热allocate_tensors()是必须的它分配模型运行所需的内存。在初始化时执行一次避免在循环中重复分配。预处理一致性预处理如尺寸、归一化必须与模型训练时完全一致否则精度会大幅下降。/255.0是常见的归一化方式。输出解析这是最容易出错的部分。你必须清楚你的.tflite模型的输出层具体格式。上述代码是一个通用示例实际中你需要根据模型转换时设定的输出格式来编写解析逻辑。查看官方转换脚本或模型文档至关重要。4.2 事件过滤与防误报机制如果每检测到一个目标就发送通知你会被消息淹没。我们需要引入事件过滤逻辑。import time class EventFilter: def __init__(self, cooldown_seconds30, target_classes[person, cat, dog]): self.cooldown cooldown_seconds self.target_classes set(target_classes) # 只关心这些类别 self.last_trigger_time {} # 初始化每个类别的最后触发时间 for cls in self.target_classes: self.last_trigger_time[cls] 0 def should_trigger(self, detections): 判断当前检测结果是否应该触发通知 current_time time.time() trigger_info None for det in detections: label det[label] if label in self.target_classes: # 检查冷却时间 if current_time - self.last_trigger_time.get(label, 0) self.cooldown: # 更新该类别触发时间 self.last_trigger_time[label] current_time trigger_info det break # 一次只触发一个最符合条件的目标 return trigger_info逻辑解读目标过滤target_classes允许你只关注特定的物体类别例如只关心“人”和“车”忽略“鸟”或“盆栽”。冷却时间cooldown_seconds是防骚扰的关键。假设设置为30秒那么同一个类别如“人”在30秒内最多触发一次通知。这避免了连续帧检测到同一个人时发送大量重复消息。扩展思路更复杂的过滤可以包括区域入侵检测只关心画面中某个特定区域、目标持续时长目标停留超过N秒才报警等。这些都可以在should_trigger方法中扩展。4.3 Telegram Bot消息发送模块这是系统的“嘴巴”。我们需要创建一个Bot并实现消息发送功能。创建Telegram Bot在Telegram中搜索BotFather发送/newbot指令按提示操作最终你会获得一个Bot Token形如1234567890:ABCdefGhIJKlmNoPQRsTUVwxyZ。妥善保存这是你的Bot的钥匙。获取你的Chat ID给你的Bot发送一条任意消息例如/start。然后在浏览器中访问以下URL将你的Bot Token替换https://api.telegram.org/bot你的Bot Token/getUpdates在返回的JSON中找到message[chat][id]字段的值这就是你的Chat ID。Python发送消息代码from telegram import Bot from telegram.error import TelegramError import asyncio class TelegramNotifier: def __init__(self, bot_token, chat_id): self.bot Bot(tokenbot_token) self.chat_id chat_id # 由于python-telegram-bot v20大量使用异步我们需要一个事件循环 self.loop asyncio.new_event_loop() asyncio.set_event_loop(self.loop) def send_notification(self, image_frame, detection_info): 发送带图片和检测结果的通知 caption f 检测到: {detection_info[label]} (置信度: {detection_info[confidence]:.2%}) # 将OpenCV图像BGR格式转换为RGB并保存为临时文件或字节流 img_rgb cv2.cvtColor(image_frame, cv2.COLOR_BGR2RGB) is_success, buffer cv2.imencode(.jpg, img_rgb) if not is_success: print(图像编码失败) return photo_bytes buffer.tobytes() # 异步发送 async def _async_send(): try: await self.bot.send_photo( chat_idself.chat_id, photophoto_bytes, captioncaption ) print(f通知已发送: {caption}) except TelegramError as e: print(f发送Telegram消息失败: {e}) # 在已有的事件循环中运行异步函数 self.loop.run_until_complete(_async_send())关键点解析异步编程python-telegram-botv20 版本全面转向异步asyncio以支持更好的性能和并发。我们的主循环可能是同步的因此需要创建一个事件循环来运行异步发送函数。这是一种简单的混合编程模式。错误处理网络请求可能失败务必用try...except包裹避免程序因一次发送失败而崩溃。图片处理OpenCV默认使用BGR通道顺序而网络传输通常使用RGB。cv2.cvtColor转换是必要的。我们使用cv2.imencode将图像压缩为JPEG格式的字节流直接发送避免了先保存到磁盘再读取的I/O开销速度更快。5. 系统集成与主循环逻辑将以上三个模块组合起来形成主程序。import cv2 import time from aidetector import AIDetector from eventfilter import EventFilter from telegram_notifier import TelegramNotifier def main(): # 1. 初始化各个模块 print(初始化AI检测器...) detector AIDetector(model_path./models/yolov5s.tflite, label_path./models/coco_labels.txt, conf_threshold0.6) print(初始化事件过滤器...) event_filter EventFilter(cooldown_seconds30, target_classes[person, cat, dog]) print(初始化Telegram通知器...) notifier TelegramNotifier(bot_tokenYOUR_BOT_TOKEN_HERE, chat_idYOUR_CHAT_ID_HERE) # 2. 初始化摄像头 cap cv2.VideoCapture(0) # 0代表第一个摄像头也可能是 /dev/video0 if not cap.isOpened(): print(无法打开摄像头) return print(系统启动开始监控...) try: while True: # 3. 读取一帧 ret, frame cap.read() if not ret: print(获取帧失败跳过) time.sleep(1) continue # 4. AI推理 detections detector.detect(frame) # 5. 事件过滤 trigger_detection event_filter.should_trigger(detections) # 6. 触发通知 if trigger_detection: print(f触发事件: {trigger_detection}) # 可选在图像上画框用于本地显示或调试 bbox trigger_detection[bbox] cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2) cv2.putText(frame, f{trigger_detection[label]}: {trigger_detection[confidence]:.2f}, (bbox[0], bbox[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 发送通知 notifier.send_notification(frame, trigger_detection) # 7. 本地显示可选用于调试 cv2.imshow(Monitoring, frame) if cv2.waitKey(1) 0xFF ord(q): break # 控制循环频率避免过高CPU占用 time.sleep(0.05) # 约20 FPS except KeyboardInterrupt: print(程序被用户中断) finally: cap.release() cv2.destroyAllWindows() notifier.loop.close() print(资源已释放程序退出) if __name__ __main__: main()主循环逻辑解读初始化按顺序初始化检测器、过滤器和通知器。将Token和ID等敏感信息最好通过配置文件或环境变量读取不要硬编码在代码中。视频捕获cv2.VideoCapture(0)打开默认摄像头。在Linux系统上也可能是/dev/video0或/dev/video1如果遇到问题可以尝试指定具体路径。处理循环这是一个经典的“捕获-处理-输出”循环。time.sleep(0.05)用于控制循环速度防止单个核心占用率100%。你可以根据实际推理速度和需求调整这个值。资源释放在finally块中确保摄像头、窗口和事件循环被正确关闭这是一个好习惯。6. 部署优化与进阶技巧将代码跑通只是第一步要让其稳定、可靠地长期运行还需要一些优化。6.1 系统服务化与开机自启我们不应该在SSH终端里直接运行Python脚本因为终端关闭程序就停止了。应该将其设置为系统服务。创建服务文件在/etc/systemd/system/目录下创建一个服务文件例如vision-ai-notifier.service。sudo nano /etc/systemd/system/vision-ai-notifier.service编辑服务内容[Unit] DescriptionGrove Vision AI V2 Telegram Notifier Afternetwork.target [Service] Typesimple Userpi # 替换为你的用户名 WorkingDirectory/home/pi/vision-ai-project # 替换为你的项目路径 ExecStart/usr/bin/python3 /home/pi/vision-ai-project/main.py Restarton-failure RestartSec10 StandardOutputjournal StandardErrorjournal [Install] WantedBymulti-user.target启用并启动服务sudo systemctl daemon-reload sudo systemctl enable vision-ai-notifier.service sudo systemctl start vision-ai-notifier.service查看服务状态与日志sudo systemctl status vision-ai-notifier.service sudo journalctl -u vision-ai-notifier.service -f实操心得Restarton-failure和RestartSec10是关键配置它确保程序因意外崩溃后能自动重启。通过journalctl查看日志是排查服务问题的主要手段。确保WorkingDirectory设置正确这样程序才能找到相对路径下的模型文件。6.2 性能调优与稳定性提升模型优化如果发现推理速度跟不上摄像头帧率例如摄像头30FPS推理只能10FPS可以尝试以下方法使用更轻量的模型从YOLOv5s切换到YOLOv5n或专门为边缘设备优化的模型如MobileNet-SSD。降低输入分辨率在模型转换时将输入尺寸从320x320降低到224x224或192x192能显著提升速度但会牺牲一些检测精度。调整置信度阈值适当提高conf_threshold例如从0.5到0.7可以减少后处理的计算量并降低误报。内存管理长期运行要警惕内存泄漏。确保在循环中没有持续创建永不释放的大对象如不断append的列表。使用gc.collect()进行手动垃圾回收谨慎使用并观察内存使用情况free -h。网络稳定性如果使用Wi-Fi确保信号强度。可以考虑使用有线网络。在Telegram发送消息的代码中加入重试机制例如import asyncio async def send_with_retry(bot, chat_id, photo_bytes, caption, max_retries3): for i in range(max_retries): try: await bot.send_photo(chat_idchat_id, photophoto_bytes, captioncaption) return True except TelegramError as e: print(f发送失败 ({i1}/{max_retries}): {e}) if i max_retries - 1: await asyncio.sleep(2 ** i) # 指数退避 return False6.3 功能扩展思路基础的通知系统搭建完成后你可以根据需求进行丰富扩展多区域与规则引擎定义画面中的多个多边形区域如门口、窗户、禁止进入区结合目标类别和位置信息实现更精细的规则。例如“只有人在‘前院区域’且朝向‘房门’时才报警”。视频片段录制在触发报警时不仅发送图片还可以录制触发前后5-10秒的视频片段使用OpenCV的VideoWriter合成一个GIF或短视频发送提供更连贯的上下文信息。多Bot与群组通知可以将通知同时发送给多个Telegram Chat家人群组或多个Bot区分报警级别。状态查询与交互为Bot添加命令例如/snapshot让Bot主动请求一张当前画面/status查看系统运行状态CPU温度、内存使用、运行时长等。与其他智能家居联动通过MQTT协议在检测到特定事件时发布一条消息。家庭自动化平台如Home Assistant可以订阅该消息进而控制灯光闪烁、播放警报音等。7. 常见问题排查与解决方案实录在实际部署中你几乎一定会遇到下面这些问题。这里记录了我的排查过程和解决方法。问题1摄像头无法打开cap.isOpened()返回False。可能原因A摄像头索引错误。在Linux上摄像头设备文件可能是/dev/video0,/dev/video1等。排查运行ls /dev/video*查看可用的视频设备。尝试在代码中修改cap cv2.VideoCapture(0)改为cap cv2.VideoCapture(/dev/video0)。可能原因B摄像头被其他进程占用。常见于你之前运行程序未正确释放资源就崩溃了。排查重启设备是最快的方法。或者使用fuser /dev/video0查看哪个进程占用了设备并用kill命令终止它。可能原因C摄像头驱动或权限问题。排查确保你的用户如pi在video用户组中groups pi。如果没有添加sudo usermod -a -G video pi然后重新登录。问题2AI推理速度极慢帧率很低。可能原因A模型太大或输入分辨率太高。解决如前所述换用更小的模型YOLOv5n或降低输入分辨率。可以使用time.time()在推理函数前后打点精确测量推理耗时。可能原因BCPU频率被限制节能模式。排查与解决运行vcgencmd get_throttled查看是否有 throttling 发生返回值非0表示有。可以尝试强制CPU以高性能模式运行sudo nano /boot/config.txt添加或修改force_turbo1然后重启。注意这会增加功耗和发热。可能原因C内存交换SWAP频繁。如果内存不足系统会使用SD卡作为交换空间速度极慢。排查使用htop或free -h观察内存使用和Swap占用。考虑关闭Swapsudo dphys-swapfile swapoff sudo dphys-swapfile uninstall但前提是物理内存足够。问题3Telegram消息发送失败报错ConnectionError或Timed out。可能原因A网络连接问题。Grove Vision AI V2无法访问Telegram服务器。排查在设备上运行ping api.telegram.org测试连通性。如果失败检查DNS设置cat /etc/resolv.conf或网络路由。可能原因BBot Token 或 Chat ID 错误。排查仔细检查Token和Chat ID是否有拼写错误、多余空格。Token以数字开头冒号分隔。Chat ID通常是负数群组或正数私人聊天。可能原因C异步事件循环冲突。如果你在复杂程序如带有GUI中集成可能存在多个事件循环。解决确保Telegram Bot的操作在同一个事件循环上下文中。对于简单的脚本使用asyncio.run()或像示例中那样创建并管理一个独立循环是稳妥的。问题4系统服务启动失败状态显示codeexited, status203/EXEC。可能原因Python解释器路径或脚本路径错误。排查status203通常意味着执行命令本身出错。检查服务文件中ExecStart的路径which python3确认Python3的绝对路径。确保main.py脚本的路径完全正确并且具有可执行权限chmod x main.py不是必须但确保文件可读。检查WorkingDirectory是否存在且该目录下有所需的模型等文件。问题5误报太多比如窗帘晃动、光影变化被识别为人。可能原因A置信度阈值太低。解决逐步提高conf_threshold例如从0.5调到0.7或0.8。这会在一定程度上降低召回率可能漏检一些模糊目标但能大幅提升准确率。可能原因B模型能力有限或训练数据不匹配。解决考虑使用在特定场景室内、夜间下微调过的模型。你可以收集自己场景的图片使用YOLOv5等框架进行迁移学习得到一个更适应你环境的模型。虽然步骤稍多但效果提升显著。可能原因C事件过滤规则太简单。解决引入更复杂的过滤逻辑。例如要求目标在连续N帧如5帧中都被检测到才判定为有效事件这可以过滤掉瞬间的误识别。这个项目从硬件选型到软件实现再到部署优化涵盖了边缘AI应用从0到1的完整流程。最让我有成就感的是它不是一个“玩具”而是一个真正能7x24小时稳定运行、解决实际问题的系统。当你第一次收到它发来的“检测到快递员”的通知时那种技术落地的实感非常强烈。后续你可以根据自己的需求不断迭代模型、优化规则、扩展功能让它变得越来越智能。
基于Grove Vision AI V2与Telegram Bot的智能视觉监控系统实战
发布时间：2026/8/3 1:20:04
1. 项目概述当你的摄像头学会“思考”与“说话”想象一下你放在家门口的摄像头不再仅仅是一个被动的录像设备。它能够主动识别出画面中出现的快递员、陌生人甚至是家里宠物打翻了花瓶的瞬间然后像一个贴心的助手立刻通过你每天高频使用的Telegram应用给你发送一条图文并茂的即时消息。这不是科幻电影里的场景而是利用Grove Vision AI V2这样一块小小的边缘AI计算模块结合开源软件栈就能轻松实现的项目。这个项目的核心价值在于它将“视觉感知”与“即时通讯”无缝连接创造了一个低延迟、高隐私、可高度定制的智能监控与通知系统。Grove Vision AI V2是一块由Seeed Studio推出的高性能边缘AI视觉模组其核心是一颗专为机器视觉优化的处理器能够本地化运行YOLO等先进的物体检测模型无需将视频流上传至云端直接在设备端完成分析。这意味着更快的响应速度毫秒级和绝对的数据隐私。而Telegram作为通知渠道其开放的Bot API、强大的多媒体消息支持以及近乎实时的推送能力使其成为智能家居、安防监控等场景下极佳的信息触达终端。本项目就是将这两者结合打造一个从“看见”到“告知”的完整自动化链路。无论你是想DIY一个智能门铃、一个仓库入侵检测器还是一个婴儿房看护助手这套方案都能为你提供一个坚实、灵活且有趣的技术底座。2. 核心方案设计与技术选型考量2.1 为什么选择Grove Vision AI V2在边缘视觉AI领域可选方案不少从树莓派加USB摄像头跑OpenCV到使用谷歌Coral USB加速棒再到各类国产AI模组。选择Grove Vision AI V2主要基于以下几点实战考量第一开箱即用的集成度。对于大多数开发者尤其是爱好者而言从零开始搭建视觉AI环境是一个充满“坑”的过程驱动兼容性、模型转换、框架部署……每一步都可能消耗数小时甚至数天。Grove Vision AI V2提供了一个近乎完整的交钥匙方案。它预装了基于Linux的操作系统并集成了成熟的视觉推理框架如OpenCV、TFLite Runtime和丰富的Python库。你拿到手接上电源和摄像头几分钟内就能跑通一个物体检测的示例代码。这种高度的集成将我们的精力从“让设备跑起来”聚焦到“如何用好AI能力”上。第二均衡的性能与功耗。该模组采用的专用AI处理器APU在运行像YOLOv5s这类轻量级模型时可以实现每秒数十帧的推理速度足以满足实时监控的需求。同时其功耗被控制在数瓦级别这意味着它可以7x24小时持续工作而无需担心发热严重或电费飙升非常适合长期部署的监控场景。相比之下用树莓派4B纯靠CPU跑YOLO帧率可能只有个位数且CPU占用率极高长期运行稳定性存疑。第三丰富的生态与接口。Grove Vision AI V2保留了Grove生态的接口可以轻松连接各种传感器如人体红外、温湿度、声音传感器未来扩展性极强。例如你可以结合人体红外传感器实现“有人移动且被识别为陌生人”时才触发AI识别与通知进一步降低系统功耗和误报。2.2 为什么选择Telegram作为通知渠道通知渠道的选择同样关键。邮件太慢短信有成本微信机器人接口不稳定且限制多。Telegram Bot在此脱颖而出开放的API与强大的功能。Telegram Bot API文档清晰、功能全面支持发送文本、图片、视频、文件甚至可以进行简单的交互如发送按钮。我们可以轻松地将AI识别出的关键帧图片或短视频连同识别结果如“检测到人置信度92%”打包成一条富媒体消息发送出去信息呈现非常直观。近乎零延迟与高可靠性。Telegram的消息推送机制非常高效在全球范围内都能做到秒级到达。这对于安防等需要快速响应的场景至关重要。其服务本身也以高可用性著称避免了自建消息推送服务的运维负担。隐私与可控性。你与Bot的通信是端到端加密的吗不完全是但Bot与Telegram服务器之间是加密的。更重要的是整个通信链路由你掌控通知只发送给你或你指定的群组数据不经过第三方监控平台符合本地化处理、隐私优先的设计理念。你不需要将视频片段上传到任何第三方AI服务或云存储所有数据都在本地闭环。实战心得在早期原型中我尝试过使用邮件和钉钉机器人。邮件延迟在数秒到数十秒不等且容易被归入垃圾箱。钉钉机器人对于非企业用户并不友好且有调用频率限制。切换到Telegram后通知的即时性和可靠性得到了质的提升开发体验也顺畅许多。3. 系统搭建与核心组件解析3.1 硬件准备与初始配置一套可运行的系统需要以下硬件组件Grove Vision AI V2 模组核心计算单元。兼容的摄像头官方推荐使用OV5647或IMX219传感器的摄像头模组常见于树莓派相机确保驱动兼容。我使用的是树莓派官方Camera Module V2IMX219。存储设备一张至少16GB的Micro SD卡用于刷入系统镜像。电源与连接一根Type-C电源线建议5V/2A以上用于供电。一根USB转TTL串口线用于首次配置时的系统登录和调试。网线可选用于有线网络连接更稳定。初始配置步骤如下下载与烧录系统镜像前往Seeed Studio的Wiki页面找到Grove Vision AI V2的专区下载最新的预装系统镜像通常是一个.img.gz文件。使用Etcher或Raspberry Pi Imager等工具将镜像烧录到Micro SD卡中。首次启动与网络配置将烧录好的SD卡插入模组连接摄像头和电源。通过串口线连接电脑使用PuTTY或MobaXterm等终端工具以串口方式登录波特率通常为115200。首次登录后系统可能会引导你进行一些基础设置如扩展文件系统、更改密码等。最关键的一步是配置Wi-Fisudo nmtui这是一个图形化的网络管理工具选择“Activate a connection”找到你的Wi-Fi热点并输入密码。连接成功后使用ifconfig或ip addr show命令查看获取到的IP地址。SSH远程登录获得IP地址后你就可以在电脑上通过SSH远程登录了这比串口方便得多。ssh usernamevision_ai_ip_address默认用户名和密码通常在Wiki中有说明例如pi/raspberry或seeed/seeed。注意首次使用串口时可能需要安装对应的USB转串口驱动。确保你的终端软件选择了正确的串口端口和波特率否则会看到乱码或无响应。3.2 软件环境部署与依赖安装系统预装了Python3和pip但我们需要安装项目特定的库。更新系统与pip首先确保系统包管理器和pip是最新的。sudo apt update sudo apt upgrade -y pip3 install --upgrade pip安装视觉处理与AI推理库核心是OpenCV和TensorFlow Lite运行时。sudo apt install -y python3-opencv libopencv-dev pip3 install tflite-runtimepython3-opencv通过apt安装通常比用pip安装更稳定因为它会处理好系统级的依赖。tflite-runtime是TensorFlow Lite的Python接口用于加载和运行我们转换好的.tflite模型。安装Telegram Bot库我们将使用python-telegram-bot这个维护活跃、功能强大的库。pip3 install python-telegram-bot准备AI模型Grove Vision AI V2的处理器对模型格式有特定要求。我们需要使用官方提供的工具链将训练好的模型如YOLOv5/v8转换为适配的.tflite格式。Seeed Studio通常会提供一些预转换好的常用模型。以YOLOv5s为例你需要从YOLOv5官方仓库获取.pt权重文件。使用Seeed提供的转换脚本或文档将.pt转换为.tflite。将转换好的yolov5s.tflite和对应的标签文件coco_labels.txt上传到Vision AI V2的某个目录例如~/models/。实操心得在安装python3-opencv时如果遇到依赖冲突可以尝试先安装一个稍旧的版本或者使用pip install opencv-python-headless无GUI支持更适合服务器环境。模型转换是关键一步务必严格按照官方文档的步骤进行特别注意输入输出张量的形状和数据类型一个参数错误就可能导致推理结果全无或崩溃。4. 核心代码实现与逻辑拆解整个程序可以划分为三个主要线程或循环视频捕获与推理线程、事件判断与过滤逻辑、Telegram通知发送模块。下面我们分块解析。4.1 视频流捕获与AI推理循环这是系统的“眼睛”和“大脑”。我们使用OpenCV捕获摄像头帧然后送入TFLite模型进行推理。import cv2 import numpy as np import tflite_runtime.interpreter as tflite class AIDetector: def __init__(self, model_path, label_path, conf_threshold0.5): # 加载模型 self.interpreter tflite.Interpreter(model_pathmodel_path) self.interpreter.allocate_tensors() self.input_details self.interpreter.get_input_details() self.output_details self.interpreter.get_output_details() # 加载类别标签 with open(label_path, r) as f: self.labels [line.strip() for line in f.readlines()] self.conf_threshold conf_threshold # 获取模型期望的输入尺寸例如 [1, 320, 320, 3] self.input_shape self.input_details[0][shape] self.height, self.width self.input_shape[1], self.input_shape[2] def preprocess(self, frame): 将摄像头帧预处理为模型输入格式 # 调整尺寸 img_resized cv2.resize(frame, (self.width, self.height)) # 归一化 (如果模型需要) 并调整维度为 [1, H, W, C] input_data np.expand_dims(img_resized.astype(np.float32) / 255.0, axis0) return input_data def detect(self, frame): 执行推理并返回检测结果 input_data self.preprocess(frame) # 设置输入张量 self.interpreter.set_tensor(self.input_details[0][index], input_data) # 运行推理 self.interpreter.invoke() # 获取输出 output_data self.interpreter.get_tensor(self.output_details[0][index]) # 这里需要根据你的模型输出格式进行解析例如YOLO格式是 [xywh, conf, class] # 假设 output_data 形状为 [1, n, 6]其中最后一维是 [x, y, w, h, conf, class_id] detections [] for det in output_data[0]: conf det[4] if conf self.conf_threshold: class_id int(det[5]) label self.labels[class_id] # 将归一化坐标转换回原图坐标 x_center, y_center, w, h det[0], det[1], det[2], det[3] x1 int((x_center - w/2) * frame.shape[1]) y1 int((y_center - h/2) * frame.shape[0]) x2 int((x_center w/2) * frame.shape[1]) y2 int((y_center h/2) * frame.shape[0]) detections.append({ label: label, confidence: conf, bbox: (x1, y1, x2, y2) }) return detections关键点解析模型加载与预热allocate_tensors()是必须的它分配模型运行所需的内存。在初始化时执行一次避免在循环中重复分配。预处理一致性预处理如尺寸、归一化必须与模型训练时完全一致否则精度会大幅下降。/255.0是常见的归一化方式。输出解析这是最容易出错的部分。你必须清楚你的.tflite模型的输出层具体格式。上述代码是一个通用示例实际中你需要根据模型转换时设定的输出格式来编写解析逻辑。查看官方转换脚本或模型文档至关重要。4.2 事件过滤与防误报机制如果每检测到一个目标就发送通知你会被消息淹没。我们需要引入事件过滤逻辑。import time class EventFilter: def __init__(self, cooldown_seconds30, target_classes[person, cat, dog]): self.cooldown cooldown_seconds self.target_classes set(target_classes) # 只关心这些类别 self.last_trigger_time {} # 初始化每个类别的最后触发时间 for cls in self.target_classes: self.last_trigger_time[cls] 0 def should_trigger(self, detections): 判断当前检测结果是否应该触发通知 current_time time.time() trigger_info None for det in detections: label det[label] if label in self.target_classes: # 检查冷却时间 if current_time - self.last_trigger_time.get(label, 0) self.cooldown: # 更新该类别触发时间 self.last_trigger_time[label] current_time trigger_info det break # 一次只触发一个最符合条件的目标 return trigger_info逻辑解读目标过滤target_classes允许你只关注特定的物体类别例如只关心“人”和“车”忽略“鸟”或“盆栽”。冷却时间cooldown_seconds是防骚扰的关键。假设设置为30秒那么同一个类别如“人”在30秒内最多触发一次通知。这避免了连续帧检测到同一个人时发送大量重复消息。扩展思路更复杂的过滤可以包括区域入侵检测只关心画面中某个特定区域、目标持续时长目标停留超过N秒才报警等。这些都可以在should_trigger方法中扩展。4.3 Telegram Bot消息发送模块这是系统的“嘴巴”。我们需要创建一个Bot并实现消息发送功能。创建Telegram Bot在Telegram中搜索BotFather发送/newbot指令按提示操作最终你会获得一个Bot Token形如1234567890:ABCdefGhIJKlmNoPQRsTUVwxyZ。妥善保存这是你的Bot的钥匙。获取你的Chat ID给你的Bot发送一条任意消息例如/start。然后在浏览器中访问以下URL将你的Bot Token替换https://api.telegram.org/bot你的Bot Token/getUpdates在返回的JSON中找到message[chat][id]字段的值这就是你的Chat ID。Python发送消息代码from telegram import Bot from telegram.error import TelegramError import asyncio class TelegramNotifier: def __init__(self, bot_token, chat_id): self.bot Bot(tokenbot_token) self.chat_id chat_id # 由于python-telegram-bot v20大量使用异步我们需要一个事件循环 self.loop asyncio.new_event_loop() asyncio.set_event_loop(self.loop) def send_notification(self, image_frame, detection_info): 发送带图片和检测结果的通知 caption f 检测到: {detection_info[label]} (置信度: {detection_info[confidence]:.2%}) # 将OpenCV图像BGR格式转换为RGB并保存为临时文件或字节流 img_rgb cv2.cvtColor(image_frame, cv2.COLOR_BGR2RGB) is_success, buffer cv2.imencode(.jpg, img_rgb) if not is_success: print(图像编码失败) return photo_bytes buffer.tobytes() # 异步发送 async def _async_send(): try: await self.bot.send_photo( chat_idself.chat_id, photophoto_bytes, captioncaption ) print(f通知已发送: {caption}) except TelegramError as e: print(f发送Telegram消息失败: {e}) # 在已有的事件循环中运行异步函数 self.loop.run_until_complete(_async_send())关键点解析异步编程python-telegram-botv20 版本全面转向异步asyncio以支持更好的性能和并发。我们的主循环可能是同步的因此需要创建一个事件循环来运行异步发送函数。这是一种简单的混合编程模式。错误处理网络请求可能失败务必用try...except包裹避免程序因一次发送失败而崩溃。图片处理OpenCV默认使用BGR通道顺序而网络传输通常使用RGB。cv2.cvtColor转换是必要的。我们使用cv2.imencode将图像压缩为JPEG格式的字节流直接发送避免了先保存到磁盘再读取的I/O开销速度更快。5. 系统集成与主循环逻辑将以上三个模块组合起来形成主程序。import cv2 import time from aidetector import AIDetector from eventfilter import EventFilter from telegram_notifier import TelegramNotifier def main(): # 1. 初始化各个模块 print(初始化AI检测器...) detector AIDetector(model_path./models/yolov5s.tflite, label_path./models/coco_labels.txt, conf_threshold0.6) print(初始化事件过滤器...) event_filter EventFilter(cooldown_seconds30, target_classes[person, cat, dog]) print(初始化Telegram通知器...) notifier TelegramNotifier(bot_tokenYOUR_BOT_TOKEN_HERE, chat_idYOUR_CHAT_ID_HERE) # 2. 初始化摄像头 cap cv2.VideoCapture(0) # 0代表第一个摄像头也可能是 /dev/video0 if not cap.isOpened(): print(无法打开摄像头) return print(系统启动开始监控...) try: while True: # 3. 读取一帧 ret, frame cap.read() if not ret: print(获取帧失败跳过) time.sleep(1) continue # 4. AI推理 detections detector.detect(frame) # 5. 事件过滤 trigger_detection event_filter.should_trigger(detections) # 6. 触发通知 if trigger_detection: print(f触发事件: {trigger_detection}) # 可选在图像上画框用于本地显示或调试 bbox trigger_detection[bbox] cv2.rectangle(frame, (bbox[0], bbox[1]), (bbox[2], bbox[3]), (0, 255, 0), 2) cv2.putText(frame, f{trigger_detection[label]}: {trigger_detection[confidence]:.2f}, (bbox[0], bbox[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2) # 发送通知 notifier.send_notification(frame, trigger_detection) # 7. 本地显示可选用于调试 cv2.imshow(Monitoring, frame) if cv2.waitKey(1) 0xFF ord(q): break # 控制循环频率避免过高CPU占用 time.sleep(0.05) # 约20 FPS except KeyboardInterrupt: print(程序被用户中断) finally: cap.release() cv2.destroyAllWindows() notifier.loop.close() print(资源已释放程序退出) if __name__ __main__: main()主循环逻辑解读初始化按顺序初始化检测器、过滤器和通知器。将Token和ID等敏感信息最好通过配置文件或环境变量读取不要硬编码在代码中。视频捕获cv2.VideoCapture(0)打开默认摄像头。在Linux系统上也可能是/dev/video0或/dev/video1如果遇到问题可以尝试指定具体路径。处理循环这是一个经典的“捕获-处理-输出”循环。time.sleep(0.05)用于控制循环速度防止单个核心占用率100%。你可以根据实际推理速度和需求调整这个值。资源释放在finally块中确保摄像头、窗口和事件循环被正确关闭这是一个好习惯。6. 部署优化与进阶技巧将代码跑通只是第一步要让其稳定、可靠地长期运行还需要一些优化。6.1 系统服务化与开机自启我们不应该在SSH终端里直接运行Python脚本因为终端关闭程序就停止了。应该将其设置为系统服务。创建服务文件在/etc/systemd/system/目录下创建一个服务文件例如vision-ai-notifier.service。sudo nano /etc/systemd/system/vision-ai-notifier.service编辑服务内容[Unit] DescriptionGrove Vision AI V2 Telegram Notifier Afternetwork.target [Service] Typesimple Userpi # 替换为你的用户名 WorkingDirectory/home/pi/vision-ai-project # 替换为你的项目路径 ExecStart/usr/bin/python3 /home/pi/vision-ai-project/main.py Restarton-failure RestartSec10 StandardOutputjournal StandardErrorjournal [Install] WantedBymulti-user.target启用并启动服务sudo systemctl daemon-reload sudo systemctl enable vision-ai-notifier.service sudo systemctl start vision-ai-notifier.service查看服务状态与日志sudo systemctl status vision-ai-notifier.service sudo journalctl -u vision-ai-notifier.service -f实操心得Restarton-failure和RestartSec10是关键配置它确保程序因意外崩溃后能自动重启。通过journalctl查看日志是排查服务问题的主要手段。确保WorkingDirectory设置正确这样程序才能找到相对路径下的模型文件。6.2 性能调优与稳定性提升模型优化如果发现推理速度跟不上摄像头帧率例如摄像头30FPS推理只能10FPS可以尝试以下方法使用更轻量的模型从YOLOv5s切换到YOLOv5n或专门为边缘设备优化的模型如MobileNet-SSD。降低输入分辨率在模型转换时将输入尺寸从320x320降低到224x224或192x192能显著提升速度但会牺牲一些检测精度。调整置信度阈值适当提高conf_threshold例如从0.5到0.7可以减少后处理的计算量并降低误报。内存管理长期运行要警惕内存泄漏。确保在循环中没有持续创建永不释放的大对象如不断append的列表。使用gc.collect()进行手动垃圾回收谨慎使用并观察内存使用情况free -h。网络稳定性如果使用Wi-Fi确保信号强度。可以考虑使用有线网络。在Telegram发送消息的代码中加入重试机制例如import asyncio async def send_with_retry(bot, chat_id, photo_bytes, caption, max_retries3): for i in range(max_retries): try: await bot.send_photo(chat_idchat_id, photophoto_bytes, captioncaption) return True except TelegramError as e: print(f发送失败 ({i1}/{max_retries}): {e}) if i max_retries - 1: await asyncio.sleep(2 ** i) # 指数退避 return False6.3 功能扩展思路基础的通知系统搭建完成后你可以根据需求进行丰富扩展多区域与规则引擎定义画面中的多个多边形区域如门口、窗户、禁止进入区结合目标类别和位置信息实现更精细的规则。例如“只有人在‘前院区域’且朝向‘房门’时才报警”。视频片段录制在触发报警时不仅发送图片还可以录制触发前后5-10秒的视频片段使用OpenCV的VideoWriter合成一个GIF或短视频发送提供更连贯的上下文信息。多Bot与群组通知可以将通知同时发送给多个Telegram Chat家人群组或多个Bot区分报警级别。状态查询与交互为Bot添加命令例如/snapshot让Bot主动请求一张当前画面/status查看系统运行状态CPU温度、内存使用、运行时长等。与其他智能家居联动通过MQTT协议在检测到特定事件时发布一条消息。家庭自动化平台如Home Assistant可以订阅该消息进而控制灯光闪烁、播放警报音等。7. 常见问题排查与解决方案实录在实际部署中你几乎一定会遇到下面这些问题。这里记录了我的排查过程和解决方法。问题1摄像头无法打开cap.isOpened()返回False。可能原因A摄像头索引错误。在Linux上摄像头设备文件可能是/dev/video0,/dev/video1等。排查运行ls /dev/video*查看可用的视频设备。尝试在代码中修改cap cv2.VideoCapture(0)改为cap cv2.VideoCapture(/dev/video0)。可能原因B摄像头被其他进程占用。常见于你之前运行程序未正确释放资源就崩溃了。排查重启设备是最快的方法。或者使用fuser /dev/video0查看哪个进程占用了设备并用kill命令终止它。可能原因C摄像头驱动或权限问题。排查确保你的用户如pi在video用户组中groups pi。如果没有添加sudo usermod -a -G video pi然后重新登录。问题2AI推理速度极慢帧率很低。可能原因A模型太大或输入分辨率太高。解决如前所述换用更小的模型YOLOv5n或降低输入分辨率。可以使用time.time()在推理函数前后打点精确测量推理耗时。可能原因BCPU频率被限制节能模式。排查与解决运行vcgencmd get_throttled查看是否有 throttling 发生返回值非0表示有。可以尝试强制CPU以高性能模式运行sudo nano /boot/config.txt添加或修改force_turbo1然后重启。注意这会增加功耗和发热。可能原因C内存交换SWAP频繁。如果内存不足系统会使用SD卡作为交换空间速度极慢。排查使用htop或free -h观察内存使用和Swap占用。考虑关闭Swapsudo dphys-swapfile swapoff sudo dphys-swapfile uninstall但前提是物理内存足够。问题3Telegram消息发送失败报错ConnectionError或Timed out。可能原因A网络连接问题。Grove Vision AI V2无法访问Telegram服务器。排查在设备上运行ping api.telegram.org测试连通性。如果失败检查DNS设置cat /etc/resolv.conf或网络路由。可能原因BBot Token 或 Chat ID 错误。排查仔细检查Token和Chat ID是否有拼写错误、多余空格。Token以数字开头冒号分隔。Chat ID通常是负数群组或正数私人聊天。可能原因C异步事件循环冲突。如果你在复杂程序如带有GUI中集成可能存在多个事件循环。解决确保Telegram Bot的操作在同一个事件循环上下文中。对于简单的脚本使用asyncio.run()或像示例中那样创建并管理一个独立循环是稳妥的。问题4系统服务启动失败状态显示codeexited, status203/EXEC。可能原因Python解释器路径或脚本路径错误。排查status203通常意味着执行命令本身出错。检查服务文件中ExecStart的路径which python3确认Python3的绝对路径。确保main.py脚本的路径完全正确并且具有可执行权限chmod x main.py不是必须但确保文件可读。检查WorkingDirectory是否存在且该目录下有所需的模型等文件。问题5误报太多比如窗帘晃动、光影变化被识别为人。可能原因A置信度阈值太低。解决逐步提高conf_threshold例如从0.5调到0.7或0.8。这会在一定程度上降低召回率可能漏检一些模糊目标但能大幅提升准确率。可能原因B模型能力有限或训练数据不匹配。解决考虑使用在特定场景室内、夜间下微调过的模型。你可以收集自己场景的图片使用YOLOv5等框架进行迁移学习得到一个更适应你环境的模型。虽然步骤稍多但效果提升显著。可能原因C事件过滤规则太简单。解决引入更复杂的过滤逻辑。例如要求目标在连续N帧如5帧中都被检测到才判定为有效事件这可以过滤掉瞬间的误识别。这个项目从硬件选型到软件实现再到部署优化涵盖了边缘AI应用从0到1的完整流程。最让我有成就感的是它不是一个“玩具”而是一个真正能7x24小时稳定运行、解决实际问题的系统。当你第一次收到它发来的“检测到快递员”的通知时那种技术落地的实感非常强烈。后续你可以根据自己的需求不断迭代模型、优化规则、扩展功能让它变得越来越智能。
![[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构](http://pic.xiahunao.cn/yaotu/[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构)
![[具身智能-181]：大分布式通信模型对比：看懂为什么 DDS 是 ROS2 底层通信最优解](http://pic.xiahunao.cn/yaotu/[具身智能-181]：大分布式通信模型对比：看懂为什么 DDS 是 ROS2 底层通信最优解)
)
