nous：面向边缘AI推理设备的数字孪生模拟器

nous是一个便携式AI推理设备的数字孪生模拟器，通过物理建模、传感器模拟和递归估计器，为LLM控制器提供设备状态的实时自我模型。

• 原作者/维护者：rmednitzer
• 来源平台：github
• 原始标题：nous
• 原始链接：https://github.com/rmednitzer/nous
• 来源发布时间/更新时间：2026-06-01T21:45:31Z

原作者与来源

• 原作者/维护者：rmednitzer
• 来源平台：github
• 原始标题：nous
• 原始链接：https://github.com/rmednitzer/nous
• 来源发布时间/更新时间：2026-06-01T21:45:31Z 原作者与来源\n\n- 原作者/维护者: rmednitzer\n- 来源平台: GitHub\n- 原始标题: nous\n- 原始链接: https://github.com/rmednitzer/nous\n- 发布时间: 2026年6月1日\n- 许可证: Apache-2.0\n\n项目概述\n\nnous 是一个便携式AI推理设备的数字孪生模拟器，专为单兵作战或野外作业场景设计。它模拟的是一种可穿戴式背包计算设备，集成了Jetson级别的计算模块、电池系统、太阳能/燃料电池辅助供电、热管理、环境与生物传感器、多模态无线电以及本地+云端混合推理路径。\n\n这个模拟器的核心价值在于让边缘AI设备的行为变得"可理解"——哪些功能当前可用、哪些已经降级、设备能在给定工作负载下维持多久，以及估计器能对操作员和环境状态给出怎样的诚实评估。\n\n技术架构与设计理念\n\n分层物理建模\n\nnous采用 tick-driven 异步系统架构，每个子系统都包含三个核心组件：\n\n1. 参数化物理模型：描述子系统的理想行为\n2. 传感器模型：生成带噪声的观测数据\n3. 递归估计器：将观测转换为校准后的信念状态\n\n支持的估计器类型包括卡尔曼滤波器(Kalman)、扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)以及粒子滤波器，根据各子系统的特性灵活选择。\n\n子系统覆盖\n\n模拟器涵盖了完整的设备子系统：\n\n- 计算子系统：Jetson AGX Orin 64GB作为参考硬件配置\n- 电源管理：电池、太阳能板、燃料电池的复合供电模型\n- 热管理：热包络与散热限制建模\n- 存储系统：本地存储容量与I/O性能\n- 传感器阵列：环境传感器、定位模块、生物特征监测\n- 通信系统：多模态无线电与网络链路预算\n- 推理引擎：本地与云端推理路径的切换逻辑\n\n任务状态机\n\n设备运行在一个显式定义的有限状态机上，涵盖从收纳到故障的完整生命周期：\n\nstowed → boot → idle → mission → relay → monitoring → C2 → degraded → thermal-limited → low-power → safe → shutdown → fault\n\n每个状态转换都有明确的触发条件和验证逻辑。\n\n互操作性标准\n\nnous的设计充分考虑了与现有任务系统的集成，提供了多种开放标准适配器：\n\n- CoT/TAK：Cursor on Target / Team Awareness Kit战术数据格式\n- OGC SensorThings：物联网传感器数据标准\n- MISB KLV：运动图像标准委员会的键长度值元数据\n- NMEA 0183：GPS与导航设备通信协议\n- STANAG 4774/4778：北约标准化协议，用于保密通信\n- MQTT：轻量级消息传输协议\n\n这些适配器使得模拟设备能够无缝接入现有的指挥控制(C2)系统和态势感知平台。\n\nMCP协议集成\n\n模拟器通过Model Context Protocol (MCP)向控制器（如Claude会话或其他MCP客户端）暴露功能。工具表面按照操作风险等级分类：\n\n- 只读操作：查询设备状态、读取传感器数据\n- 可逆操作：调整配置参数、切换工作模式\n- 状态变更操作：启动任务、进入特定运行状态\n- 不可逆操作：关机、数据擦除等关键操作\n\n所有工具调用都受策略模式管控，并记录到只追加的JSONL审计日志中。\n\n部署与使用\n\n安装要求\n\n- Python 3.12+（部署基线为Ubuntu 26.04 LTS上的Python 3.14）\n- 使用uv进行依赖管理\n\n快速开始\n\nbash\ngit clone https://github.com/rmednitzer/nous\ncd nous\nuv sync --all-extras\n\n\n运行模式\n\nbash\n标准输入输出模式（默认）\nuv run nous serve\n\nHTTP传输模式（支持OAuth 2.1）\nNOUS_TRANSPORT=http uv run nous serve\n\n运行预设场景\nuv run nous scenario scenarios/env-monitoring-urban.yaml\n\n\n自驱动演示\n\nexamples/self_driving_demo.py提供了一个完整的端到端演示，展示Claude如何通过MCP协议与模拟器交互，完成设备状态查询、任务规划和执行监控。\n\n项目成熟度\n\n目前处于Pre-1.0阶段：\n\n- L0脚手架：已完成（项目布局、MCP工具表面审计、有限状态机、引擎tick循环、硬件配置文件加载器、策略/审计/运行器框架）\n- L1子系统：已完成（电源、辅助电源、热管理、计算、推理、存储、通信、定位、传感器、生物特征）及其估计器\n- 互操作适配器：已完成（CoT、SensorThings、MISB KLV、NMEA、STANAG、MQTT）\n- 自我模型层：仍为类型占位符，正在开发中\n\n项目采用严格的审计节奏，每次合并到main分支后5分钟内自动部署到参考VM实例。\n\n实际意义与应用前景\n\nnous代表了一种新的AI系统开发范式——在真实硬件部署之前，通过高保真模拟来验证和优化系统行为。这种方法的优势包括：\n\n1. 降低开发成本：无需实际硬件即可进行算法验证和场景测试\n2. 加速迭代周期：模拟环境支持快速实验和回归测试\n3. 安全边界探索：可以在模拟中测试极端条件和故障场景\n4. 控制器训练：为AI控制器提供安全的训练环境\n\n对于边缘AI、物联网、机器人以及任何资源受限的嵌入式AI系统，nous的架构设计都具有参考价值。\n\n关键收获\n\nnous项目展示了数字孪生技术与大型语言模型控制器的结合潜力。通过将物理设备的行为建模为可查询、可推理的MCP工具表面，它开创了一种人机协同控制复杂系统的新模式。项目的严格工程实践——从分层估计器设计到审计日志机制，再到标准互操作性——为AI系统开发提供了值得借鉴的范例。