0:00 /0:48 1× 一、为什么做这件事？ 如果说大语言模型让 AI 学会了"说"，那具身智能（Embodied AI）就是让 AI 学会"做"——它不仅要理解人类语言，还要在物理世界中执行动作。 这件事的难度远超想象。传统的机器人控制依赖精确编程：每个关节角度、每条运动轨迹都需要工程师手动设计。一旦环境发生变化——比如物体位置移动了几厘米，整套程序就可能失效。 模仿学习（Imitation Learning） 提供了一条完全不同的路径：让人先做一遍，机器人看着学。这就像师傅带徒弟——不需要写任何控制代码，只需要"手把手"教它。 本项目的核心目标是：在一个低成本开源机械臂上，实现端到端的视觉-语言-动作（VLA）闭环控制——你只需说一句话，
背景 乘法器是数字IC中的核心算术单元，其性能直接影响整个系统的效率。在VLSI设计中，阵列乘法器因其规整的结构和简洁的实现方式被广泛应用。 这次我们基于0.18μm CMOS工艺、1.8V供电，完成了一款6×6位阵列乘法器的完整前后端设计——从晶体管级电路、标准单元库搭建，到版图绘制、DRC/LVS验证，再到后仿真性能评估，全流程走通。 设计亮点 1. 晶体管尺寸优化 通过参数扫描（NMOS宽度 0.4μm~2.0μm，20个线性步进），在面积×延迟的乘积曲线上找到了最优折中点。最终确定PMOS宽长比 (W/L)p = 2.5×(W/L)n，PMOS宽度统一 1.25μm，NMOS 0.5μm，沟道长度均为 0.18μm。 2.
仿真 期末项目要用Athena做一个CMOS制造流程，结构如图。 仿真结果： 仿真数值： Extracted parameters（The data must be clearly given, and the screenshots are needed for prove） The step 5, extract the nwell junction depth 05nwell = 0.742309um The step 7, extract the thickness of SiO2 inside Nwell 07tox_in_nwell = 0.210375um The step 7, extract
核心成果：基于 0.18μm CMOS 工艺，在 不到 500μW 的功耗下，实现了 63dB 增益、149MHz 带宽、152V/μs 摆率 的高性能运放——所有指标均大幅超越设计规格要求。 为什么是 gm/ID 方法？ 模拟 IC 设计中最让人头疼的环节是什么？——调晶体管尺寸。传统方法依赖平方律手算公式，但在深亚微米工艺下，短沟道效应、速度饱和等非理想因素让这些公式越来越不可靠。反复仿真、盲目调参，业界戏称为 「SPICE Monkey」。 gm/ID 方法提供了一套彻底的解决方案。它不靠理想公式，而是基于工艺库真实仿真生成的特征曲线，将器件物理与电路性能直接映射。 设计流程变得清晰：从 GBW 指标出发确定 gm → 查曲线选沟道长度 L
0:00 /2:19 1× 📅 本项目完成于 2023 年，是早期探索多模态大模型与机器人控制结合的实践。 一、背景：让机械臂"听懂人话" 2023 年，GPT-4V、GLM-4V 等多模态大模型相继发布。它们不仅能读懂文字，还能"看懂"图片——这为机器人控制打开了一扇全新的大门。 传统机械臂编程需要逐帧定义关节轨迹，费时费力且毫无泛化能力。而多模态大模型天生具备语义理解 + 视觉感知的能力——如果能让大模型直接"指挥"机械臂，会怎样？ 带着这个问题，我们开发了一套基于 GLM-4V 多模态大模型的智能机械臂系统：用户只需用自然语言说出任务（如"把桌面上的方块捡起来"），系统就能自主完成从感知到执行的全流程闭环。 二、系统架构：四大模块协同