为了实现真正的All in Local！ 我将Llava视觉大模型、QWen2.5-VL多模态大模型，以及STT和TTS模型全部部署在本地计算机上，打造了一个完全离线的机器人视觉交互系统。 机器人通过摄像头感知周围环境，LLaVA和QWen2.5-VL进行视觉分析，STT进行语音识别，TTS进行语音播报，整个过程完全在本地完成。
1.准备工作 a.本地部署Qwen 2.5 - VL，参考官网教程：https://github.com/QwenLM/Qwen2.5-VL/tree/main b.本地部署sherpa-onnx框架，参考官网教程：https://github.com/k2-fsa/sherpa-onnx
2.功能包用途 (1) ai_module: scripts文件夹下，包含VLM处理rospy节点 src文件夹下，包含自定义Action Server (2) sherpa_onnx_ros: 包含TTS、ASR语音处理功能 (3) sound_service： 将此功能包部署在机器人端侧，负责采集音频和播放音频