CN117422002A - 一种基于aigc的嵌入式产品生成方法、系统及存储介质 - Google Patents
一种基于aigc的嵌入式产品生成方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117422002A CN117422002A CN202311745394.9A CN202311745394A CN117422002A CN 117422002 A CN117422002 A CN 117422002A CN 202311745394 A CN202311745394 A CN 202311745394A CN 117422002 A CN117422002 A CN 117422002A
- Authority
- CN
- China
- Prior art keywords
- product
- module
- software
- aigc
- hardware
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 239000000047 product Substances 0.000 claims abstract description 324
- 238000004458 analytical method Methods 0.000 claims abstract description 96
- 230000006870 function Effects 0.000 claims abstract description 64
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000011161 development Methods 0.000 claims abstract description 35
- 239000012467 final product Substances 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 52
- 230000000694 effects Effects 0.000 claims description 38
- 238000012356 Product development Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000003631 expected effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 abstract description 5
- 239000012141 concentrate Substances 0.000 abstract description 2
- 239000011257 shell material Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
- G06F16/438—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/16—Customisation or personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开一种基于AIGC的嵌入式产品生成方法、系统及存储介质，涉及嵌入式产品生成技术领域，方法包括：根据嵌入式产品开发需求，基于自然语言描述进行初始产品定义；根据AI解析模块对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；根据完整产品定义，利用虚拟产品生成模块结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；将虚拟产品实例化，进行优化后搭建形成最终的产品。采用AIGC进行产品开发，客户可根据自身需求定义产品，由AIGC进行产品的一站式开发设计，使得客户能够更加专注于产品的功能实现，从而提升业务竞争力。
Description
技术领域
本发明涉及嵌入式产品生成技术领域，具体涉及一种基于AIGC的嵌入式产品生成方法、系统及存储介质。
背景技术
在物联网极大发展的背景下，智能化物联网产品开发也逐渐被更多人关注。例如，阿里巴巴推出阿里云物联网平台、中国移动推出了OneNET云服务器平台。
现有产品生成方法如下：首先，用户需要选择开发产品的品类，并定义产品名称、型号、通讯协议、开发方式等基本信息；然后，选择产品需要支持的功能，如开关、模式、亮度等，也可以对手机APP面板内容进行选择；接下来选择硬件模块，需要在开发平台给出的硬件模块中选择一款适合自身产品开发的模块；然后，对智能设备的多语言、配网引导、场景联动等信息进行配置；最后，对生成的产品提出测试方案，完成产品功能测试。
现有产品生成方案中，主要存在以下的技术问题：
1）现有产品生成方案中，功能点定义较为分散，产品定义模式较为固定，灵活性差；
2）现有方案的AI生成部分，用户需要在给出的有限种类的模块中选择自己产品开发所需要的产品模块，对于未兼容到系统的模块难以进行配置，对产品应用开发带来不便。且单独使用AI生成会导致准确性差、资源消耗大的问题；
3）现有方案的产品生成与功能演示的结合度不高，用户在产品实物落实之前难以确认产品实物生成后的功能效果；
4）大多数现有方案提供分立的软件代码和硬件模块，没有提供一个整体的产品方案，在PCB原理图、外壳3D图以及元件清单的提供上也有欠缺，在开发效率及成本上不够理想。
例如，公开号为CN111209613A的一种智能产品的快速设计方法及系统，涉及物联网智能产品的快速设计方法，能够快速生成一个智能产品的配置，并提供对应的模块，可快速接入传统设备，比如插座。使用该配置和模块后，就可以直接通过手机连接，进行操作，降低厂家将设备智能化的成本。但是在产品定义阶段，用户需要在多个分散的界面模块中对功能服务要求进行定义，操作界面不够连贯灵活，在PCB原理图和外壳3D图的提供上有所欠缺。
发明内容
本发明解决了传统产品开发模式中产品定义方法固定、模块选择有限以及模式不灵活的缺陷，且人工创建和设计产品的过程既耗时又效率低下，大量内容需要重复构建，导致整体开发效率大幅降低的问题，提出一种基于AIGC的嵌入式产品生成方法、系统及存储介质；采用AIGC进行产品开发，客户可根据自身需求定义产品，由AIGC进行产品的一站式开发设计，使得客户能够更加专注于产品的功能实现，从而提升业务竞争力。
为了实现上述目的，本发明采用以下技术方案：一种基于AIGC的嵌入式产品生成方法，包括以下步骤：
S1，根据嵌入式产品开发需求，基于自然语言描述进行初始产品定义；
S2，根据AI解析模块对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；
S3，根据完整产品定义，利用虚拟产品生成模块结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；
S4，将虚拟产品实例化，进行优化后搭建形成最终的产品。
本技术方案中，首先，用户根据自身的嵌入式产品开发需求，根据自然语言描述来进行初始产品定义；随后对初始产品定义进行AI解析，提取出关于产品硬件、软件以及外观的产品物模型关键词，之后进行物模型AI解析，得到完成产品定义；然后，根据上述物模型AI解析结果，采用AI并结合矢量数据库生成相应的硬件、软件以及外观数据，并生成有虚拟产品，并进行功能效果推演；最后，根据上述的硬件、软件以及外观数据生成最终的产品。
本发明还进一步设置为：所述步骤S2包括：
S21，对初始产品定义的参数进行处理，输入至对嵌入式产品进行训练后的产品定义关键词库，解析得到产品物模型关键词；
S22，基于产品数据集对产品物模型关键词进行AI解析，根据解析结果将关键词进行分类，分为硬件、软件以及外观三部分。
本技术方案中，首先获取用户输入的初始产品定义，将其作为参数，并发送到自然语言AI解析模块中，自然语言AI解析模块获取到参数后进行筛选和处理，将处理后的数据输入至针对嵌入式产品训练的产品定义关系词库，由此解析得到产品物模型关键词；随后将解析得到的产品物模型关键词输入至物模型AI解析模块，物模型AI解析模块对上述的关键词进行分析和解析，根据分析结果将关键词分为产品硬件、软件以及外观三个部分，对应嵌入式产品开发的三大部分。
本发明还进一步设置为：所述步骤S3包括：
S31，已分类的关键词输入至虚拟产品生成模块生成解析数据，判断解析数据是否正常，若正常，根据匹配规则将解析数据与本地的数据集进行匹配，生成产品硬件、软件以及外观；
S32，根据产品硬件、软件以及外观生成虚拟产品。
本技术方案中，虚拟产品生成模块为经过产品原理图及PCB数据集、代码数据集和外观数据集训练过的AI生成模块，该模块会对输入的关键词进行筛选和处理，随后分析解析数据，若解析数据征程，则根据预设的匹配规则把解析数据和上述的数据集进行匹配，得到对应的产品硬件、软件和外观；若解析数据异常，即产品定义与硬件平台不匹配，将异常信息反馈至前端。
本发明还进一步设置为：步骤S3中：若数据集中的已有模块与开发需求不相符时，虚拟产品生成模块通过矢量数据库检索大量模块数据，对检索结果进行相似性比较，使用LLM嵌入模型将产品定义转换为矢量来发现最接近的匹配项，经过综合评分、多元反馈优化，生成产品硬件、软件以及外观。
本技术方案中，以产品硬件为例，当本地生成的硬件原理图及PCB数据集中的数据与开发需求不符时，虚拟产品生成模块会通过硬件矢量数据库检索大量硬件电路和PCB，将关键词信息、矢量语义信息与检索结果进行相似性比较，经过综合评分、多元反馈优化，生成符合用户需求的电路图和PCB。
本发明还进一步设置为：所述步骤S32包括：
将生成的产品硬件、软件、外观传输至模拟器中，通过模拟器生成一个虚拟产品，通过模拟器模拟软件程序代码运行在硬件上的功能效果。
本技术方案中，用户可以在模拟器中模拟软件程序代码运行在硬件上的功能效果，可以直观地看到产品功能效果演示，达到人机互动的效果。
本发明还进一步设置为：所述步骤S4包括：
在虚拟产品的功能演示效果与预期效果相一致后，经过与用户沟通进行功能优化后，生成产品的电路PCB、软件代码和外壳3D图，并根据生成结果直接进行产品搭建。
本技术方案中，用户可根据生成结果直接进行产品搭建，也可直接进行产品批量生产，能够一次性解决客户的产品开发需求，具有一站式开发服务特性，降低产品开发成本，有效提高开发效率。
一种基于AIGC的嵌入式产品生成系统，使用上述的一种基于AIGC的嵌入式产品生成方法，包括
产品定义模块，根据产品开发需求，基于自然语言描述进行初始产品定义；
AI解析模块，对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；
虚拟产品生成模块，根据完整产品定义，结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；
产品生成模块，将虚拟产品实例化，进行优化后搭建形成最终的产品。
本技术方案中，产品定义模块与AI解析模块连接，AI解析模块与虚拟产品生成模块连接，虚拟产品生成模块与产品生成模块连接。
本发明还进一步设置为：所述AI解析模块包括
自然语言AI解析模块，将关于初始产品定义的参数进行处理，输入至经训练后的产品定义关键词库，解析得到产品物模型关键词；
物模型AI解析模块，对产品物模型关键词进行AI解析，根据解析结果将关键词分为硬件、软件以及外观三部分。
本技术方案中，自然语言AI解析模块与物模型AI解析模块连接，在经过自然语言AI解析模块得到相应的产品物模型关键词后，输入至物模型AI解析模块进行解析，得到完整产品定义。
本发明还进一步设置为：所述虚拟产品生成模块包括
AI硬件生成模块，基于AI硬件模型，解析得到产品原理图及PCB数据集；
AI软件生成模块，基于AI软件模型，生成产品软件代码；
AI外观生成模块，基于AI外观模型，生成产品外壳3D图；
虚拟产品模块，通过模拟器生成虚拟产品。
本技术方案中，在AI硬件生成模块、AI软件生成模块以及AI外观生成模块分别设置有硬件矢量数据库、软件矢量数据库以及外观矢量数据库，将AIGC与矢量数据库进行结合，若数据集中的已有模块与开发需求不相符时，利用矢量数据库进行检索比对，生成符合用户需求的产品，提高产品生成的准确性，克服现有模块选择有限的问题。
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的一种基于AIGC的嵌入式产品生成方法。
本技术方案中，在计算机程序运行时，能够执行上述方法的内容。
本发明具有如下的有益效果：
1）本发明中的产品定义模块，可基于自然语言进行描述，改善了现有技术中产品功能点定义较为分散的问题，使产品定义更加灵活；
2）本发明将AIGC与矢量数据库结合，若数据集中的已有模块与开发需求不相符时，通过矢量数据库检索大量模块数据，将检索结果的相似性进行比较，通过使用LLM嵌入模型将产品定义转换为矢量来发现最接近的匹配项，生成符合用户需求的硬件电路、程序代码以及外观3D图，有效提高了生成准确性，克服现有模块选择有限的问题；
3）本发明中的虚拟产品生成模块通过模拟器将产品模块生成一个虚拟产品，用户可在模拟器中预览虚拟产品模型，并进行功能效果推演，达到人机互动的效果；
4）本发明能够快速生成一个嵌入式产品的配置，提供产品的电路PCB、代码以及外壳3D图，用户可在生成电路图的基础上进行修改优化，以更加贴近自身开发要求；
5）用户仅需输入由自然语言描述的产品定义，本发明的系统即可根据需求生成相应的产品；所生成的产品包括电路PCB、软件代码、外壳3D图、bom清单、API接口说明、应用例程以及面板信息，用户根据生成的产品模块快速开发产品，实现一站式产品开发生成。
附图说明
图1是本发明实施例1一种基于AIGC的嵌入式产品生成方法的流程示意图；
图2是本发明实施例1一种基于AIGC的嵌入式产品生成系统的框架示意图；
图3是本发明实施例1一种基于AIGC的嵌入式产品生成方法关于物模型AI解析的流程示意图；
图4是本发明实施例1一种基于AIGC的嵌入式产品生成方法关于硬件原理图、PCB生成的流程图；
图5是本发明实施例1一种基于AIGC的嵌入式产品生成方法关于软件代码生成的流程图；
图6是本发明实施例1一种基于AIGC的嵌入式产品生成方法关于外观3D图生成的流程图；
图7是本发明实施例2一种基于AIGC的嵌入式产品生成方法关于智能调光平板灯的硬件设计框图；
图8是本发明实施例2一种基于AIGC的嵌入式产品生成方法关于智能调光平板灯的代码逻辑流程图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例提出一种基于AIGC的嵌入式产品生成系统，参考图2，主要包含有产品定义模块、AI解析模块、虚拟产品生成模块以及产品生成模块，产品定义模块与AI解析模块连接，AI解析模块与虚拟产品生成模块连接，虚拟产品生成模块与产品生成模块连接；本发明的系统采用AIGC技术形成；AIGC，即人工智能自动生成内容，被认为是继专业生产内容(PGC)以及用户生产内容(UGC)之后的新型内容创作方式，可以应用于文字创作、音频创作、视频创作、绘画创作、代码生成、游戏开发以及3D领域；AIGC的目标是为企业提供一种高效、快速、可扩展的数据分析和挖掘解决方案，使企业能够更好地理解和处理庞大、复杂的数据，并从中发现有价值的模式和关系，从而提升业务竞争力。
本技术方案中的产品定义模块能够根据产品开发需求，基于自然语言描述进行初始产品定义；即用户要开发一个产品，需要先对产品的抽象定义进行自然语言描述。
本技术方案中的AI解析模块能够对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义。本实施例中，AI解析模块分别执行有自然语言AI解析以及物模型AI解析的功能。
更为具体的，继续参考图2，AI解析模块包括有自然语言AI解析模块和物模型AI解析模块，自然语言AI解析模块连接有物模型AI解析模块。
本技术方案中的自然语言AI解析模块能够对初始产品定义的参数进行处理，随后输入到经过训练之后的产品定义关键词库中，最后解析得到产品物模型关键词。
自然语言AI解析模块是基于嵌入式产品物模型语言数据集训练得到的AI模块，并且基于神经网络模型。将用户描述的初始产品定义发送至自然语言AI解析模块，该模块获取参数并进行筛选和处理，将处理后的数据输入至针对嵌入式产品训练的产品定义关键词库，解析得到产品物模型关键词。
本技术方案中的物模型AI解析模块能够对产品物模型关键词进行AI解析，根据解析结果将关键词分为硬件、软件以及外观三部分。
参考图3，物模型AI解析模块基于产品数据集来实现其功能，产品数据集包括多种产品说明书、开发文档、原理图、PCB以及外壳模型，该产品数据集是一个矢量数据库，通过产品矢量数据库检索相关的产品定义，将关键词信息、矢量语义信息与检索结果进行相似性比较，经过综合评分、多元反馈优化，生成符合用户需求的产品定义；接下来，采用Embedding嵌入模型，将离散的产品定义词映射到连续向量，这些向量捕捉定义词之间的相似性和关系，从而完成产品定义的精确分类，将产品定义拆分为硬件、软件、外观三个文本块。最后，基于GPT模块，生成完整的产品外观、硬件、软件定义。其中，外观尺寸决定PCB尺寸，硬件平台决定软件程序，各定义模块生成之间存在联系。
本技术方案中的虚拟产品生成模块能够根据完整产品定义，结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；在虚拟产品生成模块中，主要包括有AI硬件生成模块、AI软件生成模块以及AI外观生成模块，上述的三个模块分别执行产品的硬件、软件以及外观的生成功能。
对于AI硬件生成模块，该模块是基于嵌入式产品原理图以及PCB数据集训练得到的AI模块。将产品硬件定义关键词输入至AI硬件生成模块，对关键词进行筛选和处理，随后，接收处理后的参数并分析解析参数，若解析数据正常，则根据预设的匹配规则将解析数据与产品原理图及PCB数据集进行匹配，得到产品硬件原理图及PCB；若解析数据异常，即产品定义与硬件平台不匹配，则将异常信息反馈到前端。
对于AI软件生成模块，该模块是基于嵌入式产品代码数据集训练得到的AI模块。将产品软件功能定义关键词传输至AI软件生成模块，该生成模块对产品功能需求进行分析，确定需要开发的产品功能，并匹配代码数据集中的程序代码，生成产品软件代码。
对于AI外观生成模块，该模块是基于嵌入式产品外观数据集训练得到的AI模块。将产品外观定义关键词传输至AI外观生成模块，对传输进来的关键词进行筛选和处理，并匹配外观数据集中的外观数据，得到产品外壳3D图。
对于虚拟产品模块，将上述AI硬件生成模块、AI软件生成模块以及AI外观生成模块的生成结果发送整合至模拟器中，通过模拟器生成一个虚拟产品；模拟器能够模拟代码运行在硬件平台上的状态，用户能够在模拟器中模拟软件程序代码运行在硬件上的功能效果，可以直观地看到产品功能效果演示，达到人机互动的效果。若功能演示效果与用户预期效果相一致，则进行产品生成；若功能演示效果与用户预期效果不一致，则重新返回产品定义模块，再次优化定义产品。
本技术方案中的产品生成模块，将虚拟产品实例化，进行优化后搭建形成最终的产品。
参考图1，本实施例还提出一种基于AIGC的嵌入式产品生成方法，参考上述的一种基于AIGC的嵌入式产品生成系统，主要包括有以下若干个步骤。
步骤S1，根据嵌入式产品开发需求，基于自然语言描述进行初始产品定义。
本实施例中，用户首先给出产品类别以及应用领域；给出产品外观定义，例如外壳尺寸、形状、与PCB配合的信息；给出软件功能定义，例如通信方式以及应用功能；给出数据流之间的逻辑关系定义，例如功能1对功能2的影响；给出硬件平台以及外设定义，例如处理器架构以及外设类别。
步骤S2，根据AI解析模块对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；对于步骤S2的具体过程，包括以下的子步骤。
步骤S21，对初始产品定义的参数进行处理，随后输入到对嵌入式产品进行训练之后的产品定义关键词库，最后解析得到产品物模型关键词；该步骤对应与上述系统的自然语言AI解析模块所实现的功能；在获取用户输入的初始产品定义后，将其作为参数，并输入至自然语言AI解析模块，该模块获取到参数后进行筛选以及处理，将处理后的数据输入到其内部的产品定义关键词库中，以解析得到产品物模型AI解析模块。
参考图3，步骤S22，对产品物模型关键词进行AI解析，根据解析结果将关键词进行分类，分成产品硬件、软件以及外观三个部分；该步骤在物模型AI解析模块中进行；对于该步骤的详细内容，参考上述系统关于物模型AI解析模块的介绍。
在本实施例关于步骤S2的技术方案中，首先获取用户输入的初始产品定义，将其作为参数，并发送到自然语言AI解析模块中，自然语言AI解析模块获取到参数后进行筛选和处理，将处理后的数据输入至针对嵌入式产品训练的产品定义关系词库，由此解析得到产品物模型关键词；随后将解析得到的产品物模型关键词输入至物模型AI解析模块，物模型AI解析模块对上述的关键词进行分析和解析，根据分析结果将关键词分为产品硬件、软件以及外观三个部分，对应嵌入式产品开发的三大部分。
步骤S3，根据完整产品定义，利用虚拟产品生成模块结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；本实施例中，硬件、软件以及外观数据包括：电路PCB、软件代码、外观3D模型图、bom清单、API接口说明、应用例程、面板信息；对于该步骤，主要包括有以下的多个子步骤。
步骤S31，将步骤S2得到的已经完成分类的关键词输入到虚拟产品生成模块中生成解析数据，随后判断解析数据是否正常，若是，则根据预设的匹配规则将解析数据和本地的数据集进行匹配，分别生成产品硬件、软件以及外观；若否，即解析数据异常，即产品定义与硬件平台不匹配，则将异常信息反馈到前端。
步骤S32，根据步骤S31生成的产品硬件、软件以及外观生成模拟产品；本实施例中，该步骤在虚拟产品模块中进行。
在本实施例关于步骤S3的技术方案中，虚拟产品生成模块为经过产品原理图及PCB数据集、代码数据集和外观数据集训练过的AI生成模块，该模块会对输入的关键词进行筛选和处理，随后分析解析数据，若解析数据征程，则根据预设的匹配规则把解析数据和上述的数据集进行匹配，得到对应的产品硬件、软件和外观；若解析数据异常，即产品定义与硬件平台不匹配，将异常信息反馈至前端。
在步骤S3的过程中，若存在有以下的情况，则将结合矢量数据库生成相应的硬件、软件以及外观：当出现数据集中的已有模块与开发需求不相符的情况，虚拟产品生成模块会通过矢量数据库检测大量模块数据，并与检索结果进行相似性比较，使用LLM嵌入模型将产品定义转换为矢量来发现最接近的匹配项，经过综合评分、多元反馈优化，生成产品硬件、软件以及外观。对于模块数据，包括产品原理图及PCB数据、软件代码以及产品外壳3D图。
本实施例中，参考图4，以产品硬件为例，当本地生成的硬件原理图及PCB数据集中的数据与开发需求不符时，虚拟产品生成模块会通过硬件矢量数据库检索大量硬件电路和PCB，将关键词信息、矢量语义信息与检索结果进行相似性比较，经过综合评分、多元反馈优化，生成符合用户需求的硬件电路图和PCB。
在上述生成的硬件原理图及PCB数据集中的数据与开发需求不符的前提下，结合矢量数据库生成产品原理图及PCB的过程具体包括以下步骤。
第一步，数据收集和预处理，首先收集电路原理图及PCB数据，并进行预处理，以去除无效数据、纠正错误数据以及提取有用的信息；对预处理后的数据进行特征工程，即通过使用自然语言处理技术提取出对模型训练有用的特征；使用向量化技术将特征工程后的数据转换为矢量格式；对转换后的数据进行标准化，以保证数据的准确性、可重复性和可比较性。
第二步，网表信息提取，将预处理后的电路原理图以PCB数据转换为网表格式，从网表数据中提取有用的信息，作为矢量数据库的输入数据。
第三步，矢量数据库生成，使用LLM嵌入模型将预处理后的电路原理图以PCB网表数据转换为矢量数据库。
第四步，电路原理图以PCB生成，使用预处理后的电流原理图、PCB数据和矢量数据库，通过计算机程序生成相应的电路原理图和PCB网表，使用电路设计软件和PCB Layout软件根据生成的电路原理图及PCB数据生成最终的电路原理图及PCB文件。
第五步，验证和优化，对生成的电路原理图及PCB文件进行验证和优化，以获得更好的效果。
参考图5，以软件代码为例，当本地生成的软件代码数据集中的数据与开发需求不符时，虚拟产品生成模块会通过软件矢量数据库检测大量的软件代码，将关键词信息、矢量语义信息与检索结果进行相似性比较，经过综合评分、多元反馈优化，生成符合用户需求的软件代码。
在上述生成的软件代码数据集中的数据与开发需求不符的前提下，结合矢量数据库生成软件代码的过程具体包括以下步骤。
第一步，数据收集和预处理，收集大量的软件代码数据，并对其进行整理，得到适合训练的数据集。
第二步，构建数据集，将整理好的数据集划分为训练集和验证集。
第三步，训练嵌入模型，使用LLM嵌入模型进行训练。
第四步，训练完成之后，将待生成的软件代码输入向量化，将输入向量通过预训练的LLM嵌入模型，输出的编码为向量，最后从编码的向量中采样，生成新的软件代码。
参考图6，以外观3D图为例，当本地生成的外观3D图数据集中的数据与开发需求不符时，虚拟产品生成模块会通过外观矢量数据库检测大量的外观3D图，将关键词信息、矢量语义信息与检索结果进行相似性比较，经过综合评分、多元反馈优化，生成符合用户需求的外观3D图。
在上述生成的外观3D图数据集中的数据与开发需求不符的前提下，结合矢量数据库生成外观3D图的过程具体包括以下步骤。
第一步，数据收集和预处理，收集与外观3D图相关的数据，该数据可以为由互联网上收集的图像、视频或者手绘图，也可以是实际的对象或场景；随后对这些数据进行预处理，以便将其转化为计算机可以处理的形式。
第二步，特征提取，在完成数据的收集和预处理之后，提取与外观3D图相关的特征，包括颜色、纹理、形状以及体积；这些特征可以用矢量数据库来存储和检索。
第三步，生成外观3D图，根据外观3D图的相关特征，采用计算机图形学技术来生成外观3D模型。
第四步，优化和调整，在生成外观3D模型后，对其进行优化和调整，以使其更符合预期。
第五步，整合和展示，将生成的外观3D模型整合到一个3D环境中，并使用各种工具和软件将其展示出来。
对于矢量数据库的具体生成过程，有以下的多个步骤。
步骤D1，搜索内容Q向量化。将GPT模块检索到的电路原理图/软件代码/外观3D图、经训练的产品硬件电路/程序代码/外观数据集作为搜索内容Q，导入矢量数据库中。
步骤D2，搜索Q的向量列。将物模型AI解析结果、用户产品定义描述转化为矢量，作为关键词在矢量数据库中检索大量数据。
步骤D3，根据搜索模式，选取前n条搜索结果以及处理方式。这里需要AI对用户需求与检索结果的匹配度进行评估，选取相应数量的搜索结果以及处理方式。
步骤D4，检索结果传输至LLM模型，获取最接近的匹配项。将物模型AI解析结果、用户产品定义与搜索结果的相似性进行比较分析，得出最接近的匹配项。
步骤D5，生成符合用户开发需求的硬件电路/程序代码/外观3D图。
本实施例中，对于电路原理图及PCB数据：内含有诸多的标准硬件模块，包括主控芯片和外围硬件模块；AI硬件生成模块根据经过物模型解析得出产品需要的硬件模块，从产品原理图及PCB数据集中选取符合开发需求的硬件模块并组合，生成虚拟硬件产品。若软件功能与硬件平台不适配，系统会推荐使用其他内核架构，以适应产品功能要求。
本实施例中，对于软件代码数据集：内含多种产品解决方案和通用功能库，可结合用户提供的产品类型和硬件需求提供相应类别的软件产品。接下来，AI软件生成模块根据经过物模型解析得出产品需要的软件功能需求，从软件代码数据集中生成符合关键词描述的程序代码，生成产品软件代码。产品软件代码配置目标产品的属性信息、功能信息以及对应属性信息的联网信息，根据属性信息和联网信息生成联网SDK模块，根据联网SDK模块与目标硬件产品完成烧录。整个生成过程由系统一站式完成模块适配，大幅减少工作量。
本实施例中，对于外观数据集，内含产品外壳尺寸和结构，可根据用户实际产品需求定制产品外观。
在完成上述的步骤S31的过程之后，进行步骤S32，具体为：把生成的产品硬件、软件以及外观发送到模拟器中，通过模拟器生成相应的虚拟产品，并通过模拟器模拟软件程序代码运行在硬件上的功能效果。
本实施例中，用户可以在模拟器中模拟软件程序代码运行在硬件上的功能效果，可以直观地看到产品功能效果演示，达到人机互动的效果。以单个灯带为例，用户定义功能效果为蓝色与红色灯光交替闪烁，则当虚拟产品生成后，系统会模拟软件运行在硬件之上的产品效果，用户可看到虚拟灯带蓝色与红色灯光交替闪烁的功能效果。若功能演示效果与用户预期效果相一致，则进行步骤S4；若功能演示效果与用户预期效果不一致，则重新步骤S1进行产品定义，再次优化定义产品。
步骤S4，将虚拟产品实例化，进行优化后搭建形成最终的产品；具体的，该步骤包括以下内容：在虚拟产品的功能演示效果与预期效果相一致后，经过与用户沟通进行功能优化后，生成产品的电路PCB、软件代码和外壳3D图，并根据生成结果直接进行产品搭建。
本实施例中，用户可根据生成结果直接进行产品搭建，或者在生成结果的基础上进行修改，以更加贴近开发要求，也可直接进行产品批量生产，能够一次性解决客户的产品开发需求，具有一站式开发服务特性，降低产品开发成本，有效提高开发效率。
本实施例还提出一种存储介质，在存储介质上存储有相应的计算机程序，在计算机程序被处理器执行时，能够实现上述的一种基于AIGC的嵌入式产品生成方法；本实施例中，在计算机程序运行时，能够执行上述方法的内容。
本发明中的产品定义模块，能够基于自然语言进行描述，改善现有技术中产品功能点定义较为分散的问题，使产品定义更加灵活。
本发明将AIGC与矢量数据库技术结合，若数据集中的已有模块与开发需求不相符时，通过矢量数据库检索大量模块数据，将检索结果的相似性进行比较，通过使用LLM嵌入模型将产品定义转换为矢量来发现最接近的匹配项，生成符合用户需求的硬件电路、程序代码以及外观3D图，有效提高了生成准确性，降低资源消耗，克服现有模块选择有限的问题。
本发明中的虚拟产品生成模块能够通过模拟器生成一个虚拟产品，用户可在模拟器中预览虚拟产品模型，并进行功能效果推演，达到人机互动的效果。
本发明能够快速生成一个嵌入式产品的配置，提供产品的电路PCB、代码以及外壳3D图，用户可在生成电路图的基础上进行修改优化，以更加贴近自身开发要求；
用户仅需输入由自然语言描述的产品定义，本发明的系统即可根据需求生成相应的产品；所生成的产品包括电路PCB、软件代码、外壳3D图、bom清单、API接口说明、应用例程以及面板信息，用户根据生成的产品模块快速开发产品，实现一站式产品开发生成。
实施例2
本实施例以生成一款智能调光平板灯为例，来进一步阐述本发明的技术方案。
1、进行产品定义，包括以下的过程：
输入需求内容：需要开发一款基于手机蓝牙远程控制的智能调光平板灯，该产品是一款家居用的可远程控制的LED灯，主要用于提高室内照明和美化家居环境。该产品采用长方体外壳设计，尺寸为300*300*30mm，外壳材质为铝合金，颜色为白色，底盘材质为铁，灯罩材质为玻璃，内部嵌装有电路板、蓝牙模块、LED、电源适配器和调光器。该产品还具备以下的功能：
a.远程控制：用户可以通过手机APP远程控制平板灯的开/关、调光以及调色，无需手动操作；
b.自动调光：该产品内置光线感应器，可自动调整光亮度，保证室内光线与环境光线协调一致，更加舒适。
c.冷暖调色：该产品支持冷暖灯光调色，可自由切换。
d.节能环保：该产品采用LED，功率低，使用寿命长，且不含汞，节能环保。
2、进行自然语言AI解析，包括以下的过程：
将用户描述的智能灯产品定义传输至自然语言AI解析模块，该模块获取参数并进行筛选和处理，将处理后的数据传送至针对嵌入式产品训练的产品定义关键词库，提取出关键词“智能灯、调光灯、远程控制、手机APP、自动调光、多种调色、光线感应器、节能环保、蓝牙、长方体外壳、长度300mm、宽度为300mm、厚度30mm、外壳材质为铝合金、底盘材质为铁、灯罩材质为玻璃、内部嵌装有电路板、蓝牙模块、LED、电源适配器和调光器”。
3、进行物模型AI解析，包括以下的过程：
将智能灯产品定义关键词传输到物模型AI解析模块，对关键词进行分析和解析，基于AIGC进一步生成相应的产品定义描述，生成一个完整的产品定义结果，得到以下分类及产品定义：
将产品定义分为硬件、软件、外观三类。
硬件：电路采用模块化设计，包括主控电路、整流电路、调光驱动电路、调色电路、LED驱动电路、LED灯板电路以及供电电路。主控电路与调光驱动电路、调色电路、LED驱动电路通过PWM接口相连，LED灯板电路与调色电路、LED驱动电路连接。
对于电路，更为详细的，主控模块采用Nordic nrf52832蓝牙模组，处理器为ARMCortex M4；调光驱动模块采用BP2306XJ芯片；调色模块采用BP5926X芯片；LED驱动模块选用BP1638CJ芯片；LED灯串模块由两路LED冷暖灯串和三路LED RGB灯串组成。电路工作电压范围108V-132V（120Vac），工作频率为60Hz。
软件：功能包括远程开/关、调光、调色、场景、倒计时、调试、唤醒、断电记忆、勿扰模式。蓝牙模块采用蓝牙5.0协议，处理器为ARM Cortex M4。程序逻辑如下：
手机控制端与蓝牙模组基于JSON格式的产品协议，进行蓝牙配对；蓝牙模组解析手机控制端发送的指令数据；根据数据解析结果，调用LED抽象函数，抽象函数调用开关、调光、调色、倒计时的LED驱动函数，驱动函数调用底层PWM驱动函数，实现完整功能，生成产品的程序代码。
外观，外壳物体长度300mm、宽度为300mm、厚度30mm，外壳材质为铝，底盘材质为铁。
4、进行解析结果评定步骤，包括以下的内容：物模型AI解析模块在用户定义的产品基础上，进一步细化产品细节，对于用户的描述词深入挖掘，给出合理的建议和推荐定义。这时将解析结果反馈至系统前端，用户可根据自身开发需求选择AI生成的附加产品定义，以确定最终的产品物模型方案。
5、AI硬件生成，包括以下的过程：
对传输进来的硬件定义关键词进行筛选和处理，将处理后的硬件定义传输至AI硬件生成模块，基于物模型解析后的芯片型号对硬件数据库中的标准电路进行筛选整合，生成硬件电路图。电路描述如下：
电路采用模块化设计，包括主控电路、整流电路、调光驱动电路、调色电路、LED驱动电路、LED灯板电路以及供电电路。主控电路与调光驱动电路、调色电路、LED驱动电路通过PWM接口相连，LED灯板电路与调色电路、LED驱动电路连接。
参考图7，电源电压为120Vac-240Vac，先通过整流电路将交流电变为直流电；经过调光驱动电路，采用BP2306XJ芯片，该电路模块适用于90Vac-265Vac全范围输入电压，用极少的外部元件达到高精度的输出电流，实现了优异的线性调整率和负载调整率；主控电路采用模组方式，采用Nordic nrf52832芯片；供电电路为主控电路进行供电；LED驱动电路选用BP1638CJ芯片，实现对LED灯阵的控制。通过调节输入PWM信号的占空比，来调整对应LED灯串电路的电流，支持PWM调光信号；调色电路采用BP5926X芯片，控制LED灯阵的亮度，实现调光功能。两路LED输出电流互补，在调色过程中总电流不变，等于恒流源的电流，兼容幅值为3.3V/5V的PWM信号和0.5V～1.5V模拟信号；LED灯板电路由两路LED冷暖灯串和三路LEDRGB灯串组成，每路灯串由7个LED串联而成，与调色电路、LED驱动电路连接。电路工作电压范围108V-132V（120Vac），工作频率为60Hz。
随后对电路原理图进行模拟仿真，测试电路是否正确，根据测试电路正常的电路原理图生成一个产品PCB。若解析数据异常，即产品定义与硬件平台不匹配，则将异常信息反馈到前端，以进行优化修改。
6、AI软件生成，包括以下的过程：
将软件定义关键词传输至AI软件生成模块，对产品功能需求进行分析，确定需要开发的产品功能包括远程开/关、调光、调色、场景、倒计时、调试、唤醒、断电记忆、勿扰模式，操作系统选用Nordic nrf52832芯片支持的Free RTOS以及ARM Cortex M4处理器平台，并建立工程。工程目录结构分为蓝牙管理模块、LED抽象模块、LED驱动模块、APP功能模块，用户可根据目录名快速了解工程架构。参考图8，代码逻辑如下：
手机控制端与蓝牙模组基于JSON格式的产品协议，进行蓝牙配对；蓝牙模组解析手机控制端发送的指令数据；根据数据解析结果，调用LED抽象函数，抽象函数调用开关、调光、调色、倒计时的LED驱动函数，驱动函数调用底层PWM驱动函数，实现完整功能，生成产品的程序代码。图8虚线框中为应用服务，还包括OTA服务、时间管理服务的一系列的APP功能模块。
其中，蓝牙管理模块：建立手机控制端与设备端蓝牙连接配对。对nRF52832的蓝牙模块，包括PWM，以及蓝牙协议的相关参数进行初始化。蓝牙模块向手机控制端发送广播报文，包括设备名称、设备类型、服务列表。授权接入后手机控制端发起蓝牙配对，建立连接，云端发送设备代理注册，手机控制端即可向蓝牙模块发送控制指令，蓝牙模块进行数据解析。
LED抽象模块：根据蓝牙模块的数据解析结果，调用相应的LED抽象函数，调用相应的LED驱动函数。
LED驱动模块：调用相关功能实现函数，例如开关、调光、调色、倒计时函数，通过调用底层的PWM驱动函数进行产品功能的实现。
APP功能模块：基于所选蓝牙模组提供的FreeRTOS的SDK，选用与蓝牙5.0协议对应的Bluetooth Core Specification（蓝牙核心规范）平台和库函数，如FreeRTOS的OTA服务、时间管理服务。
7、AI外观生成，包括以下的过程：
将外观定义关键词传输至AI外观生成模块，对传输进来的关键词“长方体外壳、长度300mm、宽度为300mm、厚度30mm、外壳材质为铝合金、底盘材质为铁、灯罩材质为玻璃”进行筛选和处理。在设计外壳时，考虑到散热和耐用性，这里采用铝作为外壳材料，在制造过程中要注意对接缝的处理，以确保外形美观；底盘可以采用铁材质，以保证稳定性。根据预设的匹配规则将数据与产品外观数据集进行匹配，生成产品外壳3D图。
8、虚拟产品生成，包括以下的过程：
将生成的产品硬件、软件、外观模块传输至模拟器中，该模拟器能够模拟软件程序代码运行在硬件上的效果，生成一个完整的虚拟产品模型，使生成的产品实例化，用户可通过虚拟按键直观地看到效果演示，达到人机互动的效果。若功能演示效果与用户预期效果相一致，则进行下一步产品生成；若功能演示效果与用户预期效果不一致，则重新返回产品定义模块，再次优化定义产品。
9、产品生成
将虚拟智能灯产品实例化，生成最终的智能灯产品的电路PCB、代码、外壳3D图，以及bom清单、API接口说明、应用例程、面板信息，用户可直接获得智能灯产品开发方案。
Claims (10)
1.一种基于AIGC的嵌入式产品生成方法，其特征在于，包括以下步骤：
S1，根据嵌入式产品开发需求，基于自然语言描述进行初始产品定义；
S2，根据AI解析模块对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；
S3，根据完整产品定义，利用虚拟产品生成模块结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；
S4，将虚拟产品实例化，进行优化后搭建形成最终的产品。
2.根据权利要求1所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，所述步骤S2包括：
S21，对初始产品定义的参数进行处理，输入至对嵌入式产品进行训练后的产品定义关键词库，解析得到产品物模型关键词；
S22，基于产品数据集对产品物模型关键词进行AI解析，根据解析结果将关键词进行分类，分为硬件、软件以及外观三部分。
3.根据权利要求1或2所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，所述步骤S3包括：
S31，已分类的关键词输入至虚拟产品生成模块生成解析数据，判断解析数据是否正常，若正常，根据匹配规则将解析数据与本地的数据集进行匹配，生成产品硬件、软件以及外观；
S32，根据产品硬件、软件以及外观生成虚拟产品。
4.根据权利要求3所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，步骤S3中：若数据集中的已有模块与开发需求不相符，虚拟产品生成模块通过矢量数据库检索大量模块数据，对检索结果进行相似性比较，使用LLM嵌入模型将产品定义转换为矢量来发现最接近的匹配项，经过综合评分、多元反馈优化，生成产品硬件、软件以及外观。
5.根据权利要求4所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，所述步骤S32包括：
将生成的产品硬件、软件、外观传输至模拟器中，通过模拟器生成一个虚拟产品，通过模拟器模拟软件程序代码运行在硬件上的功能效果。
6.根据权利要求1或2或5所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，所述步骤S4包括：
在虚拟产品的功能演示效果与预期效果相一致后，经过与用户沟通进行功能优化后，生成产品的电路PCB、软件代码和外壳3D图，并根据生成结果直接进行产品搭建。
7.一种基于AIGC的嵌入式产品生成系统，使用权利要求1-6任一项所述的一种基于AIGC的嵌入式产品生成方法，其特征在于，包括
产品定义模块，根据产品开发需求，基于自然语言描述进行初始产品定义；
AI解析模块，对自然语言进行解析，得到产品物模型关键词，并进行物模型解析，生成完整产品定义；
虚拟产品生成模块，根据完整产品定义，结合矢量数据库生成对应的硬件、软件以及外观数据，并通过模拟器生成虚拟产品；
产品生成模块，将虚拟产品实例化，进行优化后搭建形成最终的产品。
8.根据权利要求7所述的一种基于AIGC的嵌入式产品生成系统，其特征在于，所述AI解析模块包括
自然语言AI解析模块，将关于初始产品定义的参数进行处理，输入至经训练后的产品定义关键词库，解析得到产品物模型关键词；
物模型AI解析模块，对产品物模型关键词进行AI解析，根据解析结果将关键词分为硬件、软件以及外观三部分。
9.根据权利要求7所述的一种基于AIGC的嵌入式产品生成系统，其特征在于，所述虚拟产品生成模块包括
AI硬件生成模块，基于AI硬件模型，解析得到产品原理图及PCB数据集；
AI软件生成模块，基于AI软件模型，生成产品软件代码；
AI外观生成模块，基于AI外观模型，生成产品外壳3D图；
虚拟产品模块，通过模拟器生成虚拟产品。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种基于AIGC的嵌入式产品生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311745394.9A CN117422002B (zh) | 2023-12-19 | 2023-12-19 | 一种基于aigc的嵌入式产品生成方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311745394.9A CN117422002B (zh) | 2023-12-19 | 2023-12-19 | 一种基于aigc的嵌入式产品生成方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422002A true CN117422002A (zh) | 2024-01-19 |
| CN117422002B CN117422002B (zh) | 2024-04-19 |
Family
ID=89528837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311745394.9A Active CN117422002B (zh) | 2023-12-19 | 2023-12-19 | 一种基于aigc的嵌入式产品生成方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422002B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118113257A (zh) * | 2024-04-29 | 2024-05-31 | 新华三技术有限公司 | 一种软件功能目标分析方法、装置、电子设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254464A (zh) * | 2011-08-10 | 2011-11-23 | 上海交通大学 | 基于构件机械原理的机构运动虚拟实验仿真方法 |
| CN106649878A (zh) * | 2017-01-07 | 2017-05-10 | 陈翔宇 | 基于人工智能的物联网实体搜索方法及系统 |
| CN111209613A (zh) * | 2020-01-10 | 2020-05-29 | 杭州涂鸦信息技术有限公司 | 一种智能产品的快速设计方法及系统 |
| CN112580354A (zh) * | 2020-12-28 | 2021-03-30 | 华东师范大学 | 一种基于语义物联网中间件的物联网设备智能注册方法及系统 |
| CN113761163A (zh) * | 2021-08-18 | 2021-12-07 | 浙江大学 | 基于代码结构语义信息的深度代码搜索方法、系统及装置 |
| WO2022095380A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技（深圳）有限公司 | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 |
| EP4050515A1 (en) * | 2021-02-24 | 2022-08-31 | Tata Consultancy Services Limited | Integrated pipeline for generation of virtual models for apparel catalogue and virtual try-ons for apparels |
| WO2022246162A1 (en) * | 2021-05-20 | 2022-11-24 | Ink Content, Inc. | Content generation using target content derived modeling and unsupervised language modeling |
| CN116360584A (zh) * | 2022-12-26 | 2023-06-30 | 海尔优家智能科技（北京）有限公司 | 虚拟目标产品的生成方法、装置、存储介质及电子装置 |
| WO2023173657A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京百度网讯科技有限公司 | 智能交互的方法、装置、设备以及存储介质 |
| CN116996309A (zh) * | 2023-08-15 | 2023-11-03 | 中国电信股份有限公司技术创新中心 | 基于区块链的语义通信方法及系统、存储介质、设备 |
| CN117055843A (zh) * | 2023-07-31 | 2023-11-14 | 鼎道智联(北京)科技有限公司 | 产品开发智能化设计方法、装置、电子设备及存储介质 |
| CN117111916A (zh) * | 2023-10-19 | 2023-11-24 | 天津赛象科技股份有限公司 | 基于ai和模块化框架的接口代码自动生成方法及系统 |
-
2023
- 2023-12-19 CN CN202311745394.9A patent/CN117422002B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102254464A (zh) * | 2011-08-10 | 2011-11-23 | 上海交通大学 | 基于构件机械原理的机构运动虚拟实验仿真方法 |
| CN106649878A (zh) * | 2017-01-07 | 2017-05-10 | 陈翔宇 | 基于人工智能的物联网实体搜索方法及系统 |
| CN111209613A (zh) * | 2020-01-10 | 2020-05-29 | 杭州涂鸦信息技术有限公司 | 一种智能产品的快速设计方法及系统 |
| WO2022095380A1 (zh) * | 2020-11-03 | 2022-05-12 | 平安科技（深圳）有限公司 | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 |
| CN112580354A (zh) * | 2020-12-28 | 2021-03-30 | 华东师范大学 | 一种基于语义物联网中间件的物联网设备智能注册方法及系统 |
| EP4050515A1 (en) * | 2021-02-24 | 2022-08-31 | Tata Consultancy Services Limited | Integrated pipeline for generation of virtual models for apparel catalogue and virtual try-ons for apparels |
| WO2022246162A1 (en) * | 2021-05-20 | 2022-11-24 | Ink Content, Inc. | Content generation using target content derived modeling and unsupervised language modeling |
| CN113761163A (zh) * | 2021-08-18 | 2021-12-07 | 浙江大学 | 基于代码结构语义信息的深度代码搜索方法、系统及装置 |
| WO2023173657A1 (zh) * | 2022-03-18 | 2023-09-21 | 北京百度网讯科技有限公司 | 智能交互的方法、装置、设备以及存储介质 |
| CN116360584A (zh) * | 2022-12-26 | 2023-06-30 | 海尔优家智能科技（北京）有限公司 | 虚拟目标产品的生成方法、装置、存储介质及电子装置 |
| CN117055843A (zh) * | 2023-07-31 | 2023-11-14 | 鼎道智联(北京)科技有限公司 | 产品开发智能化设计方法、装置、电子设备及存储介质 |
| CN116996309A (zh) * | 2023-08-15 | 2023-11-03 | 中国电信股份有限公司技术创新中心 | 基于区块链的语义通信方法及系统、存储介质、设备 |
| CN117111916A (zh) * | 2023-10-19 | 2023-11-24 | 天津赛象科技股份有限公司 | 基于ai和模块化框架的接口代码自动生成方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘威;杨丹;: "基于虚拟视图的异构数据库集成平台的研究", 计算机技术与发展, no. 06, 10 June 2009 (2009-06-10) * |
| 杨沁;韩江洪;朱家诚;: "基于虚拟样机的个性化产品多Agent建模研究", 系统仿真学报, no. 01, 20 January 2006 (2006-01-20) * |
| 王智;潘强;邢涛;: "面向物联网的实体实时搜索服务综述", 计算机应用研究, no. 06, 15 June 2011 (2011-06-15) * |
| 黄毅;冯俊兰;胡珉;吴晓婷;杜晓宇;: "5G背景下的智能对话系统架构及应用", 电信工程技术与标准化, no. 01, 15 January 2020 (2020-01-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118113257A (zh) * | 2024-04-29 | 2024-05-31 | 新华三技术有限公司 | 一种软件功能目标分析方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422002B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117422002B (zh) | 一种基于aigc的嵌入式产品生成方法、系统及存储介质 | |
| US20240077183A1 (en) | Systems and methods for connecting and controlling configurable lighting units | |
| CN109165249A (zh) | 数据处理模型构建方法、装置、服务器和用户端 | |
| CN111339246B (zh) | 查询语句模板的生成方法、装置、设备及介质 | |
| KR102089100B1 (ko) | 이미지 데이터베이스 기반 상호인식차를 최소화하는 인테리어 서비스 제공 시스템 | |
| US9542704B2 (en) | Automatic image-based recommendations using a color palette | |
| CN107077698A (zh) | 使用色彩调色板的自动化基于图像的推荐 | |
| US20150379006A1 (en) | Automatic image-based recommendations using a color palette | |
| CN101253476A (zh) | 句法程序语言翻译 | |
| JP2022023776A (ja) | オンライン予測モデルのトレーニング方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| CN106294661A (zh) | 一种扩展搜索方法与装置 | |
| WO2021238084A1 (zh) | 语音包推荐方法、装置、设备及存储介质 | |
| CN111597804A (zh) | 一种实体识别模型训练的方法以及相关装置 | |
| CN109698777A (zh) | 一种智能家居的模式配置方法、装置及设备 | |
| CN111767335A (zh) | 数据可视化分析方法 | |
| CN105138610A (zh) | 一种基于图像元素的图像特征值预测方法和装置 | |
| Wang et al. | A survey of personalized interior design | |
| Chandrakala et al. | Application of artificial bee colony optimization algorithm for image classification using color and texture feature similarity fusion | |
| CN117521213A (zh) | 设计方案的生成方法、电子设备、介质及计算机程序产品 | |
| CN110110117A (zh) | 一种商品搜索方法、装置以及系统 | |
| Jo et al. | Generative artificial intelligence and building design: early photorealistic render visualization of façades using local identity-trained models | |
| CN111984759A (zh) | 问答处理方法、装置、电子设备和存储介质 | |
| CN116933362A (zh) | 室内设计方案自动生成方法、装置、计算机设备及介质 | |
| Ma et al. | Application of Visual Communication in Image Enhancement and Optimization of Human–Computer Interface | |
| CN117440583B (zh) | 室内照明灯具及灯效配置方法、装置以及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |