diff --git a/alignment_guide.md b/alignment_guide.md
new file mode 100644
index 0000000..183848b
--- /dev/null
+++ b/alignment_guide.md
@@ -0,0 +1,107 @@
+# 🛠️ FastUMI 数据采集：T265 坐标系对齐与复位指南
+
+在使用基于 Intel RealSense T265 的手持设备（如 FastUMI）进行机器人操作数据采集时，**“对齐”（Alignment）或“复位”（Reset）是最关键的一步**。
+
+本指南将通过图文为您详细说明为什么需要对齐，以及如何正确地进行物理操作。
+
+---
+
+## 1. 为什么要进行“对齐”？
+
+T265 追踪相机（视觉里程计）没有内建的绝对坐标感。当你启动录制程序的瞬间，T265 会武断地宣布：
+**“我现在所在的这个点就是宇宙的中心 (0,0,0)，我现在的朝向就是正前方！”**
+
+### ❌ 如果不对齐（错误示范）
+
+如果你随便找个地方按下了“开始录制”，那么每次生成的轨迹数据都会落在不同的坐标系中。机器人学习算法看到的数据就像下面这样混乱：
+
+```mermaid
+graph TD
+    subgraph "现实物理空间 (目标杯子位置固定)"
+    Cup((杯子))
+    end
+
+    subgraph "T265 记录的数据 (因启动点不同而错乱)"
+    A["演示 1: 在远点按下启动"] -->|导致| X1(("数据记录: 杯子在 10m 处"))
+    B["演示 2: 在近点按下启动"] -->|导致| X2(("数据记录: 杯子在 2m 处"))
+    end
+    
+    style Cup fill:#f9f,stroke:#333,stroke-width:2px
+    style X1 fill:#ff9,stroke:#333,stroke-width:2px
+    style X2 fill:#ff9,stroke:#333,stroke-width:2px
+```
+
+### ✅ 正确的对齐（锚点效应）
+
+通过在每次点击“开始录制”之前，将手持设备放置在**同一个物理锚点**，我们就强行把 T265 的“随机坐标系”和“机器人的绝对坐标系”绑定在了一起。
+
+```mermaid
+graph TD
+    A["物理锚点\n(如：桌角)"] -->|固定位置启动| B("T265: 这里是 0,0,0")
+    B -->|config.json 转换| C{"机器人基座:\n 锚点固定位位姿"}
+    C -->|输出数据| D["所有动作轨迹对齐"]
+    
+    style A fill:#bbf,stroke:#333,stroke-width:2px
+    style D fill:#bfb,stroke:#333,stroke-width:2px
+```
+
+---
+
+## 2. 三种实用的物理对齐方案
+
+为了确保每次启动时的位置和角度完全一致，以下是实验室中最常用的三种方案（按精度从低到高排列）：
+
+### 方案一：桌面标记法（十字胶带）
+**精度：⭐ | 成本：极低**
+
+这是最简单的方案，适用于对绝对精度要求不极端的任务。
+
+1. **准备**：在操作台面上，用有色胶带贴一个明显的“十”字作为对齐点。
+2. **标定**：测量这个“十”字中心到机器人真实底座的物理距离（X, Y, Z），将数值填入 `config.json` 的 `base_position`。
+3. **操作**：
+   - 每次录制前，将手持夹爪的尖端（TCP）或者设备底部的固定点**垂直对准**十字中心。
+   - 保持设备的朝向（例如：始终垂直于桌子边缘）。
+   - 点击“开始录制”。
+
+---
+
+### 方案二：物理挡块法（推荐，最常用）
+**精度：⭐⭐⭐⭐ | 成本：低**
+
+这是性价比最高的方法，能有效限制位置和角度误差。
+
+1. **准备**：在操作台边缘，使用重物（如两块方正的铅块）或 3D 打印一个直角底座（Dock），用强力双面胶固定在桌面上。
+2. **标定**：测量挡块的内角顶点到机器人基座的距离，填入 `base_position`。
+3. **操作**：
+   - 每次录制前，将手持设备的手柄底部**紧紧靠住**挡块的直角内部。
+   - 确保设备的背面贴紧挡块的一侧（保证朝向一致）。
+   - 确认设备稳定后，点击“开始录制”。
+   - 录制开始后，再把设备拿起来去执行操作。
+
+---
+
+### 方案三：机器人夹持法（最高精度）
+**精度：⭐⭐⭐⭐⭐ | 成本：高（需要操作机械臂）**
+
+如果你的终极目标是在真实机器人上进行毫米级的抓取，这是最严谨的方法。
+
+1. **准备**：编写一个简单的脚本，让真实机械臂移动到一个固定的“Home”位置（例如正前方，姿态垂直向下）。
+2. **操作**：
+   - 在录制开始前，操作者拿着 FastUMI 采集器，将采集器的夹爪与真实机器人的夹爪（或法兰盘特定位置）**物理对接**（例如：互相咬合，或者靠死）。
+   - 此时，采集器的位姿被机械臂死死限制住了。
+   - 第二个人在电脑上点击“开始录制”。
+   - 录制开始后，操作者移开采集器，去执行演示动作。
+3. **配置**：此时 `config.json` 中的 `base_position` 就是机器人这个“Home”位置的精确坐标。
+
+---
+
+## 3. 常见问题排查 (Troubleshooting)
+
+| 现象 | 可能原因 | 解决办法 |
+| :--- | :--- | :--- |
+| **机器人回放时，动作总是偏向一侧几厘米** | `base_position` 测量不准，或者物理锚点移动了。 | 重新拿卷尺精确测量锚点到机器人底座的距离并更新 config。 |
+| **机器人回放时，高度（Z轴）越来越低，最后砸桌子** | T265 启动时的俯仰角（Pitch）没对准。启动时可能手抖让设备往下倾斜了。 | 使用**物理挡块法**，确保启动时设备是绝对垂直/水平的。 |
+| **轨迹偶尔会“瞬移”或大范围漂移** | T265 在采集过程中镜头被遮挡，或者周围环境特征太少（如大面积白墙）。 | 保证相机视野清晰；在桌面上放一些有纹理的物体帮助 T265 定位。 |
+
+---
+**总结**：数据采集的真理是——**垃圾进，垃圾出 (Garbage In, Garbage Out)**。花 10 分钟搭建一个稳固的对齐挡块，能为你省去后期数天的除错时间。
diff --git "a/\345\270\270\347\224\250\344\273\243\347\240\201.txt" "b/\345\270\270\347\224\250\344\273\243\347\240\201.txt"
new file mode 100644
index 0000000..4c692d2
--- /dev/null
+++ "b/\345\270\270\347\224\250\344\273\243\347\240\201.txt"
@@ -0,0 +1,244 @@
+去重
+df = df.drop_duplicates().reset_index(drop=True)
+删除某一列
+df2=df2.drop(cols,axis=1) 
+删除两行
+df.drop(index=[0, 1])
+
+date转字符串
+
+from datetime import datetime, date, time
+d = date.fromisoformat('2018-09-22')
+t = time.fromisoformat('16:28:22')
+dt = datetime.fromisoformat('2018-09-22')
+
+sdate = pd.to_datetime(ds).strftime('%Y-%m-%d')
+st = "2019-01-20 00:00:00"
+dt = datetime.datetime.strptime(st, '%Y-%m-%d %H:%M:%S')
+st = "2019-01-20"
+dt = datetime.datetime.strptime(st, '%Y-%m-%d')
+start=pd.to_datetime('2017-01-01')
+
+
+
+修改类型
+train['tf_status'] = t1['tf_status'].astype(np.int64)
+
+修改日期类型
+df['ds'] = pd.to_datetime(df['ds'])
+
+修改字段名
+df.rename(columns={'#studentid':'studentid'}, inplace = True)
+
+#加年月
+df['year']=df.datetime.apply(lambda x: x.year)
+df['month'] = df.datetime.apply(lambda x: x.month)
+df['year'] = df['year'].astype(np.int64)
+df['month'] = df['month'].astype(np.int64)
+
+删除字段
+df.drop(['#id'], axis=1, inplace=True)
+
+查看数据中顶部10%的数据
+print(df.weeks.quantile(np.arange(.9,1,.01)))
+
+设置索引
+df = df.set_index(['hetongdetailid'])
+
+判断空值
+
+print("在 cat 列中总共有 %d 个空值." % df['cat'].isnull().sum())
+
+print("在 review 列中总共有 %d 个空值." % df['review'].isnull().sum())
+
+df[df.isnull().values==True]
+
+df = df[pd.notnull(df['review'])]
+
+排序
+df.sort_values(by="x1",ascending= False)  
+
+模糊查询
+df_remark_tf[df_remark_tf["content_method"].str.contains(keystring)]
+
+修改字段类型
+df_appraise['deptid'] = df_appraise['deptid'].astype(np.int64)
+
+修改数据(https://blog.csdn.net/zhangchuang601/article/details/79583551)
+df.loc[1,['name','age']] = ['bb',11]
+df.iloc[1,2] = 19#修改某一无
+df.loc[df[df.htid.isin(ids)].index,"y"]=1
+
+保存数据库
+df.to_sql(name='predict',con=mysql_engine,if_exists = 'replace')
+
+生成日期
+dt = datetime.datetime(year, month, 1)
+
+查看顶部10%数据分布
+print(movie_rating_count['totalRatingCount'].quantile(np.arange(.9,1,.01)))
+
+#-------plotly.express-------------------------
+#折线图
+import plotly.express as px
+
+fig = px.line(df, x='date', y='y_true',
+              labels={'date':'日期', 'y_true':'话务量'},
+              markers=True)
+fig.update_xaxes(tickformat = "%Y-%m-%d", hoverformat = "%Y-%m-%d")
+fig.update_layout(title_text="热线部门日业务量趋势图", title_x=0.5)
+fig.update_traces(marker=dict(size=3)) #控制点的大小
+fig.show()
+
+#散点图
+fig = px.scatter(df, x="真实订单量", y="真实金额",hover_data=['did','日期'])
+fig.update_traces(marker=dict(size=4)) #点的大小
+fig.show()
+
+----------------------------------
+1、nohup command &
+例如 nohup jupyter notebook &
+
+2、找到进程PID(关闭在前面后台执行的进程的步骤，首先找到其进程PID)
+ps -ef | grep xxxx
+ps -ef 查看本机所有的进程；grep xxxx代表过滤找到条件xxxx的项目
+
+3、kill掉进程
+kill -9 具体的PID
+
+-------------打开指定端口-------------------------------------
+firewall-cmd --zone=public --add-port=8504/tcp --permanent
+firewall-cmd --reload
+
+netstat -ntlp   //查看当前所有tcp端口·
+netstat -ntulp |grep 8888   //查看所有1935端口使用情况
+
+------------------更新pip命令----------------------------------------
+python -m pip install --upgrade pip
+
+-------------搭建虚拟环境-----------------------------
+# 创建虚拟环境
+conda create --name yourenvname python=3.8
+
+# 进入虚拟环境 
+conda activate yourenvname
+
+#退出虚拟环境
+conda deactivate
+
+#删除虚拟环境
+conda remove -n py39 --all
+
+# 在jupyter notebook中添加虚拟环境
+python -m ipykernel install --user --name yourenvname --display-name "display-name"
+
+
+------------------在jupyter notebook里面添加虚拟环境----------------------------------------
+1.cmd进入虚拟环境（torch_env）
+activate torch_env
+
+2.pip install ipykernel ipython
+回车
+
+3.ipython kernel install --user --name torch_env
+回车
+
+4.再次进入jupyter notebook
+右上角，new，即可选择需要的虚拟环境。
+
+5.另外，如果需要在指定文件夹中打开jupyter notebook,只需要打开文件夹所在位置，点击搜索框左边的位置框，输入cmd,再输入jupyter notebook,即可将路径设为自己需要的。
+
+在jupyter 中删除虚拟环境
+6.jupyter kernelspec uninstall myenv
+
+---------pip install 镜像安装-----------------------------------------
+pip install package_name -i https://pypi.tuna.tsinghua.edu.cn/simple
+
+--------------------图个格式转换---------------------------------------------------
+from PIL import Image
+
+#base64转PIL
+def base64_to_pil(img_base64):
+    base64_decoded = base64.b64decode(img_base64)
+    byte_stream = io.BytesIO(base64_decoded)
+    pil_image = Image.open(byte_stream)
+    return pil_image
+
+#PIL转base64
+def image_to_base64_str(pil_image):
+    byte_arr = io.BytesIO()
+    pil_image.save(byte_arr, format='PNG')
+    byte_arr = byte_arr.getvalue()
+    return str(base64.b64encode(byte_arr).decode('utf-8'))
+    
+#数组转base64(方法一)
+pil_image = Image.fromarray(cv2.cvtColor(image_array, cv2.COLOR_BGR2RGB))
+image_base64 = image_to_base64_str(pil_image)
+
+#数组转base64(方法二)
+retval, buffer = cv2.imencode('.png', img_mask_face_array)
+image_mask_face_base64 = base64.b64encode(buffer).decode('utf-8')
+
+# 将PIL转换为NumPy数组
+array_image = np.array(pil_image)
+array_image = np.asarray(pil_image)
+
+#array to pil
+from PIL import Image
+pil_image = Image.fromarray(image_array)
+
+
+音量调节
+alsamixer
+
+常用开机自启管理命令总结
+拷贝.service文件: sudo cp mcp_pipe.service /etc/systemd/system/mcp_pipe.service
+赋权限:sudo chmod 644 /etc/systemd/system/mcp_pipe.service
+重新加载 systemd 配置:sudo systemctl daemon-reload
+
+启用开机自启: sudo systemctl enable mcp_pipe.service
+禁止开机自启: sudo systemctl disable mcp_pipe.service
+立即启动: sudo systemctl start mcp_pipe.service
+立即停止: sudo systemctl stop mcp_pipe.service
+重启服务: sudo systemctl restart mcp_pipe.service
+查看状态: sudo systemctl status mcp_pipe.service
+查看实时日志：journalctl -u mcp_pipe.service -f
+
+第一步：在 GitLab 上创建一个新的空项目
+在您的浏览器中打开 GitLab，并导航到 xiaozhi 组。
+点击页面右上角的蓝色按钮 "New project"。
+选择 "Create blank project"。
+在 "Project name" 字段中，为您的项目命名，例如 simple-py-xiaozhi。
+确保 "Project slug" 和 "Project URL" 是正确的。
+您可以选择将 "Visibility Level" 设置为 "Private" 或 "Internal"。
+不要 勾选 "Initialize repository with a README"。因为您本地已经有项目了，所以要创建一个空的项目。
+点击 "Create project"。
+
+1. cd D:\work\py-xiaozhi\simple-py-xiaozhi
+2. git init
+3. git remote add origin [您在GitLab上创建的项目的URL]
+4. git add .
+5. git commit -m "Initial commit"
+6. git push -u origin main
+
+---------esp32编译----------------------
+cd ~/work/esp-idf
+source ./export.sh
+
+1. idf.py set-target esp32s3
+2. idf.py menuconfig
+3. idf.py build 
+------生成单个固件文件-----
+4. cd build , 
+5. python3 -m esptool --chip esp32s3 merge_bin -o ../xiaozhi_ok.bin @flash_args
+6. 烧录固件: 
+python -m esptool --chip esp32s3 -p /dev/tty.usbmodemXXXX -b 460800 --before default_reset --after hard_reset write_flash -z 0x0 xiaozhi.bin
+
+
+
+
+
+
+
+
+