林德旸

硬件 C 端 Pest Control 创业（2024～现在）

Mon, 01 Apr 2024 00:00:00 +0000

从工作室之后寻找新方向

XbotPark Camp 与陪伴机器人探索

其实在意识到工作室没有办法做的很大的时候，我就一直在想究竟要去做什么方向，在2024年4月份的时候，入选了李泽湘老师的XbotPark的Camp，认识很多朋友，最开始在探索的方向是陪伴机器人，思考如何把机器人造出类似猫猫带来的感觉？

遇到 Enzo，切入 Pest Control

不过也是探索了两个月，做了大量的用户访谈，始终也是没有能找到一个很好软硬件的切入点，如果只是做一个AI对话机器人那真的太没意思了，为什么猫猫能给人带来很舒服感觉，这种舒服的感觉究竟是什么要如何有软硬件实现，一直没找到；不过很巧的就是刚刚好的是，有个朋友Enzo是一直在找懂技术的人，而我则是一直在找要做什么，然后我们就通过一个投资人朋友认识了，并且发现PestCtrl是个很好的方向，从而开始这个tour；

为什么选择 Pest Control

市场筛选逻辑

我在上一个工作室的创业经历中，我感觉最大的教训就是

1）要选择好一个好的市场，这个市场要够大，天花板够高，并且是最好和吃饭一样，长期极强的需求，这个才是一个好方向；

2）同时这个方向也要尽可能避开和追觅、小米、美的这种白色家电的巨头竞争，同时也要避开专门做出海的深圳厂家之间的竞争，类似安克、傲基；

3）另外是一定要做出海，国内C端硬件利润非常非常低；

4）这个领域要足够的传统，暂时缺乏现代技术；

5）要去最好做软硬件结合，去提高用户的粘性，并且通过软件订阅而非硬件去实现盈利；

而PestCtrl其实就是符合对应的筛选；

我们要解决的问题

而我们在做的PestCtrl究竟是在解决什么问题，这个因为还没上线，没办法给出太多，但是核心就是：

1）智能化IOT；

2）人道化无痛的击杀；

3）方便后处理；

4）正确摆放；

从真实场景做用户研究

杭州小屋子里的 0 到 1

我们早期并没有选择去融资+scale，两个人纯自己来，先从这个PestCtrl的提出，而且探索我们究竟要去做一个什么样的形态，它并不是一个很明确的问题，而更多是类似去找是不是有个更好的解决方案，早期蛮像科研的

然后我们两个人就在杭州从0从一个小屋子去开始去做

（杭州最开始的办公室)

跟着消杀师傅进后厨和用户家

同时我们找到一个朋友的消杀公司，然后陪着师傅天天去抓各种老鼠，后厨+普通的用户家里，我们当时也并不明确究竟要做C端还是先做B端，所以也是一直在探索

（和消杀公司师傅去一起抓老鼠）

（学习市面上的消杀工具问题究竟是什么）

（现在最有效的消杀就是拉高压电网，然后我们需要通宵的守着）

学习工具痛点与采集数据

（在最开始的时候设计了一套设备去采集老鼠的视频、声音、震动、红外热释数据）

早期原型：检测、结构与击杀方式

第一个 insight：人道化高效击杀

我们确定的第一个insight就是，如何更好的人道化的去击杀老鼠，为此我们提出的idea就是高压电+合理的结构设计，然后开始各种测试，软件+硬件一起开始设计和测试

（第一版的测试电路）

我们最开始还在用小白鼠做测试

（小白鼠去测试各种各样的形态）

从小白鼠到野生老鼠测试环境

不过后面我们发现小白鼠的活性+能力离真正的野生老鼠差太多了，就也去造了个专门养野生老鼠测试的屋子

（早期测试老鼠设备的笼子）

几十种形态与第一版验证

在里面去测试各种形态，测试各种各样的检测方法+击杀结构，设计了各种各样的电路，最终我们花了大概2～3个月左右完成了第一版的形态，并开始测试

（各种各样的形态电路的测试）

搭建老鼠屋做长期测试

我们花了差不多几个月时间，设计了几十种各种各样的形态，从最开始的买小白鼠测试，到后面我们自己租了个场地，在里面搭建一个15方平米的老鼠屋，里面放进去从菜市场抓到的各种野生老鼠，然后测试我们设计的设备是否真的有用，可能这其中最痛苦的事情就是有点吓人（野生的老鼠真的很凶）+没办法很快速的去知道是否真的有用，和没办法知道老鼠的真实想法是什么。

（构建设备老鼠测试屋子）

（B端的长条击杀测试）

B 端测试与关键市场教训

长条设备的消杀验证

我们这个长长的条，有了非常好的击杀效果，击杀速度极快，并且其实对老鼠就是瞬间致命，并且实现了更加安全的人体检测+对应的通知去解决消杀师傅需要通宵的问题，我们在差不多第5个月的时候，做了十五条左右去给到消杀师傅去做测试，有很好的击杀效果

好设备不等于市场买单

不过后厨挺复杂，有类似积水，高油污的问题，有超级多的corner case要解决，另外是这个是新产品，需要去教育市场，如果是在国内销售，B端其实非常重视公司的销售能力，这个其实对年轻人并不是很友好，另外是我们后面发现国内的消杀公司有个很尴尬的问题，就是如果你的设备真的很好可以帮助消灭很多老鼠，但是对消杀公司来说，一个是需要付一笔高的费用去买设备，另外是这个老鼠很快消灭了，其实他们的甲方也会要求他们减少对应的上门次数，这个好的设备反而会影响他们的收入，我们后面感觉也是挺神奇的，不过市场就是这样子，最重要的insight还是要在做之前就足够的深刻了解用户他们究竟是如何思考问题的，而不是设备越好市场就买单，用户需求永远永远是最重要的；

转向 C 端产品化

把 B 端能力下放到 C 端捕鼠器

而意识到这个问题后我们也其实考虑了一段时间，最终方案就是我们其实可以把里面用到的很多技术去下放到C端的捕鼠设备上，因为C端用户是自己购买，自己消杀，他们最需要就是能有好的消杀效果，我们B端已经验证了一个很好的击杀形态，所以我们可以从很方便去从长条的B端去改为C端的更小的样子，所以我们就马上开始做了很多个版本去测试：

样机、ID、模具、PCB 与团队扩充

我们基本在25年7月份左右完成最终版本的样机设计，然后就开始回到深圳开始找工业设计公司、去和一个一个模具工厂聊、去找对应量产经验负责PCB的公司，这个时候，我们开始考虑融资开始接触一些机构，也从最开始的两个人逐渐的扩充到五个人，一部分是去推动量产

IoT 软件架构与 App 准备

另外是开始我们需要设计IOT软件架构+对应的APP。最终的形态其实会和早期上述的这些在功能和设计上都有了很大的区别，因为还没上线，这部分等后面上线再详细聊聊比较合适。

Pest Control 产品线继续探索

覆盖更多老鼠需求与蚊子方向

然后我们也就在推动C端捕鼠器量产的同时，继续做各种PestCtrl的探索，覆盖更多老鼠的需求+开始做蚊子，下面还是放了一些我们早期探索的样机设计，后面有部分也开始做推动到下一个阶段；

多相机 4D 采集系统（2026～现在）

Fri, 07 Aug 2026 00:00:00 +0000

多相机 4D 采集系统

自己设计、自己造、自己写软件的一套动态 4D 采集设备：8 组双目相机（16 路）由 ESP32 门控触发做到亚微秒同步，整机碳纤维、单人免工具拆装、充电宝供电，采集与标定全在浏览器里完成。采下来的数据直接进 4D 高斯重建管线，结果做成打开网页就能实时播放的 4DGS。


相机	8 组双目 / 16 路 · 1920×1200
跨相机同步抖动	~0.4 µs（跨两台主机一致）
标定	8/8 合格 · stereo RMS ≈ 0.6px · 基线 59.35–59.83mm
便携性	单人免工具拆装 · 充电宝供电 · 阵列可跟随被摄者移动
数据集	静态阵列 23 场景 + 移动阵列 2 场景（含 IMU）· 83.4 GB
浏览器播放	400 万高斯 / 267 MB · M5 Mac 约 20 fps

采集：16 路、0.4 µs 同步

相机被配置成纯触发从机——没有脉冲就不出帧，由单个 ESP32 门控触发器并联驱动全部 8 台的触发线。软件下一条指令，ESP32 用硬件定时器精确发脉冲，8 台在同一瞬间曝光，实测跨相机抖动 ~0.4 µs，跨两台主机也是同一量级。这套逻辑后来做成了独立四路同步器，两台级联覆盖 8 组模组。

每组模组自带并排双目，模组内立体基线 ≈ 59.5mm——这条物理基线直接给整套重建提供尺度。

碳纤维四面体采集架 · 8 组双目环绕中央被摄区

8 组双目模组 · 3D 打印外壳 + 网口

四路同步器：ESP32 门控触发做成独立硬件

8 路同步立体视频合成宫格回看，每一格是一台相机的同一时刻画面，同名帧 = 同一触发瞬间：

当前浏览器不支持直接播放该视频。

便携：能装进后备箱，还能跟着人走

立柱、横梁、相机模组、同步器、供电全部独立，免工具、单人拆装；相机模组与横梁之间用快拆座 + 定位销，靠定位销保证重复安装的一致性，标定才能跨场次复用。供电换成充电宝方案，整套系统不再需要往外拉电线。末端相机的晃动用斜拉碳纤维管解决，斜拉件同样支持快拆。

充电宝供电 + 全可拆卸：架子摆到哪里都能开机

加装斜拉碳纤维管后的整架 · 末端刚性显著提升，仍保持快拆

这直接解锁了一种新的采集方式：整个相机阵列跟着被摄者一起移动。看宫格里的背景，同一段视频里从开阔区域一路换到工作台旁——人在走，架子也在走。

当前浏览器不支持直接播放该视频。

软件：采集、标定、导出都在浏览器里

不装客户端，手机 / 平板 / 电脑打开局域网地址就能用。设备墙汇总两台主机上的 8 台相机 + 实时预览，一键跑完「全开流 → 就绪 → ESP32 触发 → 录 → 停 → 跨主机汇总 → 对齐报告」，两台 NUC 之间 2.35 Gbps 直连汇总数据。曝光参数一键广播到 16 路并逐路回读校验。

MultiCam Studio 设备墙：8 相机 / 2 主机 + 采集控制

标定同样在网页里完成：屏幕按真实物理尺寸显示 12×7 · 44mm · DICT_5X5_1000 标定板，手持相机逐姿态 ~1Hz 自动采集，一键产出内参。8 台全部合格，基线聚集在 59.35–59.83mm，总跨度仅 0.5mm：

相机	Cat	Cow	Dog	Fish	Mouse	Pig	Sheep	Tiger
stereo RMS (px)	0.6154	0.5927	0.6119	0.5985	0.5993	0.6163	0.5941	0.6857
基线 (mm)	59.832	59.366	59.351	59.467	59.573	59.595	59.666	59.627

浏览器内屏幕 ChArUco 双目标定

拍摄记录带缩略图与同步质量，导出时自动避开丢帧造成的时间断点，保证导出片段的时间轴严格均匀（相邻帧恒为一个触发周期），可直接进重建管线。

拍摄记录：缩略图、同步质量、一键导出数据集

标定内参送进 FoundationStereo 即得逐像素度量深度，反投影得到带真彩、尺度正确的 3D 点云：

深度反投影得到的彩色 3D 点云（单台相机）

重建结果

以 FreeTimeGS 为主线（每个高斯自带速度向量 + 存活时长，快速运动用「短命高斯接力」表达），16 路全用、全分辨率 1920×1200：

指标	结果
PSNR ↑	20.7 → 23.3
SSIM ↑	0.74 → 0.79
LPIPS ↓	0.534 → 0.393
人脸边缘与真值的差距	关闭 48%
快动肢体误差	−13%，首次反超基线

自由视角环绕 · 横向 ±74cm · 1918×1198 · 2× 超采样：

当前浏览器不支持直接播放该视频。

GT（左）vs 渲染（右）· 6 帧对照

移动阵列的重建

阵列移动 + 被摄者走动，两层运动叠加。刚体内部的相对位姿不变，但阵列相对世界的位姿逐帧在变，需要额外估计每帧的 6 自由度整体位姿——好在阵列是刚体、物理基线又给了尺度，这件事可解。

当前浏览器不支持直接播放该视频。

与 LetCamsGo（据我所知是唯一公开做「相机采集中移动 + 动态场景」的工作）对比：

方法	逐场景 PSNR（Lunch / Blackboard / Play）	均值
我们（500K 冠军配置）	—	22.11
LetCamsGo “Ours”	21.07 / 19.23 / 16.85	19.05
他们跑的 FTGS*（与我们同底座）	20.12 / 18.60 / 15.90	18.21
他们跑的 MoSca	20.40 / 18.86 / 16.08	18.45

这个 +3.06 dB 的口径尚未完全对齐，所以我没把它当成结论，正在采更多移动场景做受控验证。

浏览器端 4DGS

不装任何软件，打开链接即可播放动态高斯场景——高斯模型参数化裁剪 + WebGPU 渲染，模型经 CDN 分发，加载完成自动播放。

在线体验：https://dede-4dgs.zeabur.app/　（建议 Chrome；首次打开需下载 267–437 MB 模型）

当前浏览器不支持直接播放该视频。

浏览器内实时播放：400 万高斯，可自由旋转 / 平移 / 缩放

帧率完全取决于设备。同一份场景的全量 655 万高斯在原生查看器 + RTX 3060 笔记本上只有 3 fps、显存占 6 GB；裁剪后的 400 万高斯版在浏览器里、M5 Mac 上约 20 fps。

数据集

每个数据集都是拆分好的左右目 + 每台相机自带标定内参，时间轴严格均匀，可直接进重建管线。静态阵列累计 23 个场景，移动阵列 + IMU 单独建库 2 个场景，共 83.4 GB。素材覆盖大幅形变织物、多人遮挡、大范围站姿活动与移动阵列几类难点。

数据集归档 · 静态阵列 23 个场景

下一步

重建：采更多移动场景做受控验证，把 +3.06 dB 的口径彻底对齐；
Web 播放：前后景分离（静止背景用 3DGS、动态部分才用 4DGS），渲染底座换成 fastgs，目标是更快加载、更稳帧率；
硬件：外场验证「拆卸—搬运—复位」后的标定复用性，这是全可拆卸方案唯一的真风险点；
表达能力：转向动态外观残差——当前颜色模型每个高斯固定不变，表达不了表情变化带来的阴影与牙齿显露。

机器人工作室（2022～现在）

Fri, 04 May 2018 08:58:25 +0000

工作室起点：从保研后的小房间开始

为什么开始做机器人工作室

2022 年大四保研后，我原本计划去上海禾赛做点云算法工程师实习。由于当时上海疫情影响，线下实习无法成行，于是我开始尝试做机器人工作室：在学校附近租下一个小房间，从设计比赛机器人硬件、提供代码例程和课程培训开始，为初高中学校提供机器人竞赛设备和整体解决方案。

学校竞赛场景的真实需求

这件事一开始有很多偶然性，但也很快进入了真实的交付场景。许多学校有参赛需求，却缺少从 0 设计硬件和系统方案的能力；我们做的事情，就是根据比赛规则设计可落地的硬件设备、配套软件例程和培训内容，让学校采购后能够继续调试、训练和参赛。

广州早期工作室，在学校附近的村子里，从最开始一个人到最多时六个人。

设计、小批量生产、打包发货。

广州阶段：竞赛设备设计与小批量交付

设备设计、代码例程与到校培训

工作室的核心工作包括比赛设备设计、小批量制造、代码例程开发、到校培训和售后支持。我们不仅要让机器人符合比赛规则，还需要尽可能降低学校老师和学生的使用门槛，让设备能够在真实教学和竞赛中稳定运行。

设计设备，并到学校做培训。

2022～2024 多类比赛设备

2022～2024 年在广州工作室设计的多类竞赛设备。

从 500 台设备到全国性赛项

2022～2024 年间，工作室不到两年累计出货超过 500 台设备，相关机器人竞赛设备基本覆盖了多个省级、国家级赛项的最高奖项。2024 年后，我们开始减少分散比赛项目的数量，转向选择出货量更大、更适合长期投入的全国性赛项，并把前期积累的传感器、控制器、算法工具等模块逐步产品化。

搬到佛山后的工作室，开始面向更大批量的全国性比赛设备交付。

2026 年比赛设备演示

当前浏览器不支持直接播放该视频。

产品化沉淀：把比赛模块变成可复用产品

工作室后期开始把内部使用的传感器、控制器、视觉识别和自动化标注工具重新设计为可对外销售的产品。产品化的目标不是只做一次性比赛设备，而是把反复验证过的模块沉淀下来，提升复用效率，并降低比赛周期带来的业务波动。

DeDeIMU：高性能 6 轴 IMU

DeDeIMU 是重新设计的高性能 6 轴 IMU 模块，重点优化了精度、稳定性和低漂移表现，尤其是 yaw 轴稳定性。

当前浏览器不支持直接播放该视频。当前浏览器不支持直接播放该视频。

DeDeYOLO：低成本低功耗视觉识别摄像头

DeDeYOLO 是低成本、低功耗的 YOLO 视觉识别摄像头。它运行经过裁剪和改造的 YOLOv3 模型，在小型边缘设备上实现约 10 FPS 的识别帧率，主要用于机器人竞赛场景中的目标识别与检测。

当前浏览器不支持直接播放该视频。当前浏览器不支持直接播放该视频。

Video2Tag：自动化 YOLO 标签平台

Video2Tag 是面向 YOLO 数据集制作的 Web 端自动化打标签工具，用于降低视觉识别模型训练前的数据处理成本，提升标注和迭代效率。

当前浏览器不支持直接播放该视频。

DeDeMotor：电机驱动与运动控制模块

DeDeMotor 是高集成度电机驱动与运动控制模块，支持 ROS、Wi-Fi、BLE 和 5A 大功率电机。运动控制算法在驱动端完成集成，用户只需要设置底盘类型并下发应用层控制指令，即可实现稳定、高精度的底盘控制。

当前浏览器不支持直接播放该视频。

FastLIVO2：开源硬件与多设备同步

多设备支持同步器设计。

开源手持设备硬件设计，支持双目鱼眼与 FastLIVO2 设备方案。

阶段总结：稳定业务与下一次创业方向

搬到佛山后，工作室逐渐从“覆盖更多比赛项目”转向“做精少数高出货量赛项 + 产品化核心模块”。这让工作室成为一个能稳定产生现金流、占用时间相对可控的业务，但它更像一个不错的 business，而不是可以快速 scale 的 startup。

2024 年前后，我逐渐意识到这个边界：要么找到一个更适合做大的新方向，要么回到学校继续完成研究生阶段。因此，在工作室稳定运行后，我开始寻找新的创业方向，并在 2024～2026 年持续投入 Pest Control 方向，继续思考如何从技术、产品和市场三者结合的角度做一个更可规模化的 startup。

位姿估计与点云感知（本科毕业论文+吉大实验室）

Fri, 04 May 2018 08:58:25 +0000

位姿估计与点云感知（本科毕业论文+吉大实验室）

位姿估计

我的本科毕业论文聚焦于目标位姿估计。我以 RGB 图像和被检测目标的 3D 模型作为输入，将 2D 图像像素映射到模型表面的 3D 点云。在此基础上，我使用 PnP（Perspective-n-Point）和 RANSAC 算法回归目标位姿，实现目标位姿识别。同时，该方案还结合基于深度学习的 refinement 算法，在 PnP 得到初始位姿后进一步提升位姿精度。实验结果表明，与其他相关方法相比，建立 2D 平面与 3D 空间之间的映射关系，可以带来更高精度的位姿估计结果。

整体算法框架设计

使用随机位姿 3D 模型和 COCO 背景生成虚拟数据集

数据集生成结果

UV 映射原理

UV 映射与物体表面点云之间的映射关系

UV map 生成网络设计

UV map 生成结果

UV map 生成结果与标定图像对比

生成点云结果与标定点云对比

使用 RANSAC+PnP 进行目标初始位姿回归的整体思路

基于深度学习的位姿回归网络设计

位姿识别结果

点云感知

大四期间，我主要在吉林大学实验室开展点云感知相关工作。我完成了从 Livox 数据集到 KITTI 数据集的数据格式转换。

数据格式转换

此外，我基于 Livox 数据集成功训练并实现了 PointPillars 模型的前向推理。

前向推理与识别结果 1

前向推理与识别结果 2

通过这段经历，我系统了解了多种点云处理方法，也更清楚地认识到纯点云方法在实际目标识别中的局限性。这也激发了我继续探索点云与视觉感知融合的兴趣。

纯点云方法在模型识别上仍有明显提升空间

轮腿复合机器人（大三）

Fri, 04 May 2018 08:58:25 +0000

多自由度轮腿复合机器人

我一直希望能够制作更复杂的机器人。大三期间，我加入了学校的 BIRL 团队，参与轮腿复合机器人的结构和电路设计，并几乎独立完成了该项目的运动学建模和机器人运动控制代码实现。

基于机器人运动学进行 Matlab 仿真，并使用 ROS 中的 MoveIt 求解正逆运动学。
基于 STM32 和 CAN 总线，实现机器人三自由度电机的比例-速度控制。
实现机器人在不同运动平面中的姿态变换。

三自由度机器人电机比例-速度（PV）控制的设计与实现：

第二代机器人行走能力测试：

真实应用场景测试：

机器人团队项目（大一大二）

Fri, 04 May 2018 08:58:25 +0000

校机器人队中的多个项目

从大一开始，我加入学校机器人队，并在多项比赛中持续提升自己的工程能力和算法能力。

灰度巡线板设计

我们发现机器人在室外或光照复杂环境中巡线时，容易受到外部光线，尤其是太阳光的干扰。因此，我希望设计一款能够抵抗外部光照干扰的灰度巡线板。

这块动态抗阳光干扰巡线板的设计思路包括：

使用差分方法动态关闭板载光源，先测量外部环境光强，再打开自发光源获取反射强度，两者相减后得到内部光源产生的真实反射强度，从而降低外部光照影响。
使用 Otsu 算法动态标定白线与黑色背景之间的阈值。
该项目已获得国家实用新型专利，并在队内多项机器人比赛中持续使用。

灰度巡线板设计

巡线板在实际室外阳光干扰下的表现：

小范围机器人定位的设计与实现

该项目实现了一套基于编码器电机、陀螺仪和激光测距传感器的机器人定位算法。系统使用 EKF（扩展卡尔曼滤波）融合编码器、陀螺仪和激光测距数据。通过融合编码器数据，即使激光传感器只有 10Hz 的工作频率，机器人仍能以 50Hz 的频率实现厘米级室内定位。

算法测试与可视化：

该定位算法在实际比赛中的应用：

Jetson 与 YOLO

该项目基于 Jetson Nano 和 YOLOv4-tiny 设计道路车辆计数算法。

使用 TensorRT 在边缘设备上实现超过 18fps 的识别帧率，同时功耗低于 15W。
基于 Node-RED 框架设计数据可视化界面。

积木抓取机器人（高中时期）

Fri, 04 May 2018 08:58:25 +0000

项目介绍

2018 年，在 DJI RoboMaster 高中生夏令营中，我担任队长并主要负责嵌入式开发。夏令营的主要任务是设计并制造一台能够抓取、存储和堆叠积木的机器人。在该项目中，我的职责包括：

协调结构、嵌入式和算法小组之间的沟通，推动整体进度，并解决协作中的问题。
在嵌入式部分，完成二连杆机械臂的运动学分析与实际控制。该部分基于 STM32 和 CAN 总线控制底盘 3508 电机与 6002 云台电机，同时实现物料检测与出料控制。
设计嵌入式系统与 PC 之间的通信协议，主要通过串口和 JSON 协议向 PC 传输积木角点位置信息，用于优化抓取。

机器人整体方案设计

机器人设计与制作

机器人实际测试