Valetudo 2025.01.0版本发布:机器人控制新纪元
Valetudo作为一款开源的机器人真空吸尘器控制平台,近日发布了2025.01.0版本。这个版本带来了多项重要更新,包括对新硬件设备的支持、MQTT功能的增强、地图渲染性能优化以及用户体验改进等。作为一款专注于本地化控制的解决方案,Valetudo持续为用户提供摆脱厂商云服务依赖的自主控制能力。
新硬件支持:Mova P10 Pro Ultra
本次更新最引人注目的是新增了对Mova P10 Pro Ultra机器人的支持。这款设备与Dreame X40和L40采用相似的硬件架构,但在功能上有所取舍。虽然它不具备在基座中存放拖布的功能,但其价格优势明显,市场售价约为600美元或更低。这一扩展使得Valetudo生态系统更加丰富,为用户提供了更多选择。
夜间更新通道改进
Valetudo的夜间更新通道在此版本中得到了实质性改进。之前版本中存在的一个问题是更新检查总是报告有新版本可用,这给用户带来了不少困惑。2025.01.0版本引入了有效的版本检查机制,现在能够准确判断是否有新版本可供更新,大大提升了用户体验。
MQTT功能增强
MQTT作为Valetudo与智能家居系统集成的重要桥梁,在此版本中获得了多项改进:
-
基座状态发布:对于支持状态监测的基座,现在可以通过MQTT获取其状态信息,这为自动化场景提供了更多可能性。
-
更多可选功能暴露:新增了三个可选暴露的能力项:
- 宠物避障功能(PetObstacleAvoidance)
- 地毯模式控制(CarpetModeControl)
- 地毯传感器模式控制(CarpetSensorModeControl)
-
连接稳定性修复:解决了MQTT客户端在某些情况下可能出现的无限锁定问题。这个问题曾导致首次设置机器人的用户不得不重启设备,现在这一困扰已得到修复。
地图渲染性能优化
地图渲染引擎进行了重要改进,现在会在绘制前将相同类型的路径进行简化和合并处理。虽然视觉效果保持不变,但在长时间清扫任务中,性能提升显著。这一优化使得资源占用更低,响应更加流畅。
耗材监控变更
本次更新对耗材监控系统进行了调整,需要注意以下不兼容变更:
-
sensor不再作为type存在,而是成为新引入的cleaning类型的subType。依赖此结构的代码需要进行相应调整。 -
这一变更会影响Home Assistant中的传感器清洁实体。解决方法是在更新前删除Home Assistant中的设备,更新完成后系统会自动重新发现并正确配置。
这些变更是为了适应Dreame新固件中引入的wheel耗材类型。同时,部分新固件已移除mop耗材监控,Valetudo也相应移除了这一功能。
Dreame设备新特性
针对Dreame系列设备,2025.01.0版本新增了两项特性:
-
清洁路径优化:新增"深度"清洁模式,显著提升清洁效果。
-
地毯侧边刷控制:对于配备可伸缩侧边刷的机型,现在可以设置在地毯上使用侧边刷。
这些功能需要最新固件支持,Valetudo团队已对Dustbuilder中的固件版本进行了更新和测试。
技术思考与展望
从技术角度看,Valetudo 2025.01.0版本体现了开源社区对智能家居设备本地化控制的持续追求。通过摆脱厂商云服务的依赖,用户不仅获得了更好的隐私保护,也避免了厂商可能引入的广告等商业化行为对用户体验的干扰。
在物联网设备日益普及的今天,Valetudo这样的项目为用户提供了重要的选择权。它证明了一个事实:智能设备完全可以不依赖云服务而提供出色的用户体验和功能。随着版本的迭代,Valetudo不仅在功能上不断丰富,在稳定性、性能和使用体验上也持续优化。
对于技术爱好者而言,Valetudo项目展示了开源社区如何通过逆向工程和创新思维,为用户重新夺回对智能设备的完全控制权。这种精神正是开源文化的精髓所在。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06