diff --git a/knowledge_hub/BEV感知算法部署流程.md b/knowledge_hub/BEV感知算法部署流程.md
index 11d6b40..7896a89 100644
--- a/knowledge_hub/BEV感知算法部署流程.md
+++ b/knowledge_hub/BEV感知算法部署流程.md
@@ -7,8 +7,8 @@ wget http://archive.d-robotics.cc/TogetheROS/data/hobot_bev_data.tar.gz
 mkdir -p hobot_bev_data
 tar -zxvf hobot_bev_data.tar.gz -C hobot_bev_data
 
-3. 配置tros.b环境
-source /opt/tros/setup.bash
+3. 配置tros.b humble环境
+source /opt/tros/humble/setup.bash
 
 4. 启动websocket服务
 ros2 launch websocket websocket_service.launch.py
@@ -31,8 +31,8 @@ wget http://archive.d-robotics.cc/TogetheROS/data/nuscenes_bev_val/nuscenes_bev_
 mkdir -p ~/hobot_bev_data
 tar -zxvf ~/nuscenes_bev_val.tar.gz -C ~/hobot_bev_data
 
-3. 配置tros.b humble环境
-source /opt/tros/humble/setup.bash
+3. 配置tros.b
+source /opt/tros/setup.bash
 if [ -L qat ]; then rm qat; fi
 ln -s `ros2 pkg prefix hobot_bev`/lib/hobot_bev/qat/ qat
 ln -s ~/hobot_bev_data/nuscenes_bev_val nuscenes_bev_val
diff --git a/knowledge_hub/Bloom大语言模型部署流程.md b/knowledge_hub/Bloom大语言模型部署流程.md
index 8fe6c7e..5a11325 100644
--- a/knowledge_hub/Bloom大语言模型部署流程.md
+++ b/knowledge_hub/Bloom大语言模型部署流程.md
@@ -3,8 +3,9 @@
 1. 安装transformers
 pip3 install transformers -i https://pypi.tuna.tsinghua.edu.cn/simple
 
-2. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+2. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 3. 下载模型文件
 wget http://archive.d-robotics.cc/llm-model/llm_model.tar.gz
@@ -18,8 +19,9 @@ sudo tar -xf llm_model.tar.gz -C /opt/tros/${TROS_DISTRO}/lib/hobot_llm/
 sudo bash -c 'echo 1 > /sys/devices/system/cpu/cpufreq/boost'
 sudo bash -c 'echo performance > /sys/devices/system/cpu/cpufreq/policy0/scaling_governor'
 
-6. 重新配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+6. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 7. 启动launch文件
 ros2 run hobot_llm hobot_llm_chat
@@ -45,16 +47,22 @@ sudo bash -c 'echo 1 > /sys/devices/system/cpu/cpufreq/boost'
 sudo bash -c 'echo performance > /sys/devices/system/cpu/cpufreq/policy0/scaling_governor'
 
 6. 启动 hobot_llm
-重新配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 ros2 run hobot_llm hobot_llm
 
 7. 新开一个终端订阅输出结果topic
-重新配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+重新配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 ros2 topic echo /text_result
 
 8. 新开一个终端发布消息
-重新配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+重新配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 ros2 topic pub --once /text_query std_msgs/msg/String "{data: ""中国的首都是哪里""}"
diff --git a/knowledge_hub/EfficientNet_Det目标检测算法部署流程.md b/knowledge_hub/EfficientNet_Det目标检测算法部署流程.md
index 61c1c80..c80e88d 100644
--- a/knowledge_hub/EfficientNet_Det目标检测算法部署流程.md
+++ b/knowledge_hub/EfficientNet_Det目标检测算法部署流程.md
@@ -1,7 +1,8 @@
 # EfficientNet_Det目标检测算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -15,8 +16,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 # EfficientNet_Det目标检测算法部署流程：用usb摄像头发布为照片
 
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -29,8 +31,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # EfficientNet_Det目标检测算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/efficient_det_workconfig.json dnn_example_image:=config/target.jpg
diff --git a/knowledge_hub/FCOS目标检测算法部署流程.md b/knowledge_hub/FCOS目标检测算法部署流程.md
index 8eac61f..62ae341 100644
--- a/knowledge_hub/FCOS目标检测算法部署流程.md
+++ b/knowledge_hub/FCOS目标检测算法部署流程.md
@@ -1,7 +1,8 @@
 # FCOS目标检测算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -14,8 +15,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # FCOS目标检测算法部署流程：用USB摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -28,8 +30,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # FCOS目标检测算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/fcosworkconfig.json dnn_example_image:=config/target.jpg
diff --git a/knowledge_hub/MobileNet_SSD目标检测算法部署流程.md b/knowledge_hub/MobileNet_SSD目标检测算法部署流程.md
index 7b0c9ac..93e79f0 100644
--- a/knowledge_hub/MobileNet_SSD目标检测算法部署流程.md
+++ b/knowledge_hub/MobileNet_SSD目标检测算法部署流程.md
@@ -1,7 +1,8 @@
 # MobileNet_SSD目标检测算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -15,8 +16,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 # MobileNet_SSD目标检测算法部署流程：用usb摄像头发布为照片
 
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -29,8 +31,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # MobileNet_SSD目标检测算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/mobilenet_ssd_workconfig.json dnn_example_image:=config/target.jpg
diff --git a/knowledge_hub/Ultralytics YOLOv8-Seg图像分割算法部署流程.md b/knowledge_hub/Ultralytics YOLOv8-Seg图像分割算法部署流程.md
index 9ece0d9..e4a2954 100644
--- a/knowledge_hub/Ultralytics YOLOv8-Seg图像分割算法部署流程.md	
+++ b/knowledge_hub/Ultralytics YOLOv8-Seg图像分割算法部署流程.md	
@@ -1,7 +1,8 @@
 # Ultralytics YOLOv8-Seg图像分割算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -11,8 +12,10 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_dump_render_
 
 # Ultralytics YOLOv8-Seg图像分割算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -22,8 +25,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_dump_render_
 
 # Ultralytics YOLOv8-Seg图像分割算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/yolov8segworkconfig.json dnn_example_image:=config/test.jpg
diff --git a/knowledge_hub/YOLO目标检测算法部署流程.md b/knowledge_hub/YOLO目标检测算法部署流程.md
index 6c11662..c17614a 100644
--- a/knowledge_hub/YOLO目标检测算法部署流程.md
+++ b/knowledge_hub/YOLO目标检测算法部署流程.md
@@ -1,7 +1,9 @@
 # YOLO目标检测算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -15,8 +17,10 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 # YOLO目标检测算法部署流程：用usb摄像头发布为照片
 
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -29,8 +33,10 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # YOLO目标检测算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
+
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/yolov2workconfig.json dnn_example_image:=config/target.jpg
diff --git a/knowledge_hub/mobilenet_unet图像分割算法部署流程.md b/knowledge_hub/mobilenet_unet图像分割算法部署流程.md
index ac726e6..11d5027 100644
--- a/knowledge_hub/mobilenet_unet图像分割算法部署流程.md
+++ b/knowledge_hub/mobilenet_unet图像分割算法部署流程.md
@@ -1,7 +1,8 @@
 # mobilenet_unet图像分割算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -11,8 +12,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_dump_render_
 
 # mobilenet_unet图像分割算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -23,8 +25,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_dump_render_
 
 # mobilenet_unet图像分割算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/mobilenet_unet_workconfig.json dnn_example_image:=config/raw_unet.jpg
diff --git a/knowledge_hub/mobilenetv2图片分类算法部署流程.md b/knowledge_hub/mobilenetv2图片分类算法部署流程.md
index fb0938d..f2b5c51 100644
--- a/knowledge_hub/mobilenetv2图片分类算法部署流程.md
+++ b/knowledge_hub/mobilenetv2图片分类算法部署流程.md
@@ -1,7 +1,8 @@
 # mobilenetv2图片分类算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置MIPI摄像头
 export CAM_TYPE=mipi
@@ -15,8 +16,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 # mobilenetv2图片分类算法部署流程：用usb摄像头发布为照片
 
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 配置usb摄像头
 export CAM_TYPE=usb
@@ -29,8 +31,9 @@ ros2 launch dnn_node_example dnn_node_example.launch.py dnn_example_config_file:
 
 # mobilenetv2图片分类算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch dnn_node_example dnn_node_example_feedback.launch.py dnn_example_config_file:=config/mobilenetv2workconfig.json dnn_example_image:=config/target_class.jpg
diff --git a/knowledge_hub/人体检测和跟踪算法部署流程.md b/knowledge_hub/人体检测和跟踪算法部署流程.md
index ba3a261..b0dc7ee 100644
--- a/knowledge_hub/人体检测和跟踪算法部署流程.md
+++ b/knowledge_hub/人体检测和跟踪算法部署流程.md
@@ -1,7 +1,8 @@
 # 人体检测和跟踪算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
@@ -18,8 +19,9 @@ ros2 launch mono2d_body_detection mono2d_body_detection.launch.py
 
 # 人体检测和跟踪算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
@@ -36,8 +38,9 @@ ros2 launch mono2d_body_detection mono2d_body_detection.launch.py
 
 # 人体检测和跟踪算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
diff --git a/knowledge_hub/人手关键点检测算法部署流程.md b/knowledge_hub/人手关键点检测算法部署流程.md
index 9fa11f5..1061d87 100644
--- a/knowledge_hub/人手关键点检测算法部署流程.md
+++ b/knowledge_hub/人手关键点检测算法部署流程.md
@@ -1,7 +1,8 @@
 # 人手关键点检测算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
@@ -17,8 +18,9 @@ ros2 launch hand_lmk_detection hand_lmk_detection.launch.py
 
 # 人手关键点检测算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
diff --git a/knowledge_hub/光流估计算法部署流程.md b/knowledge_hub/光流估计算法部署流程.md
index 04eb92f..1658fb7 100644
--- a/knowledge_hub/光流估计算法部署流程.md
+++ b/knowledge_hub/光流估计算法部署流程.md
@@ -1,50 +1,53 @@
 # 光流估计算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
-cp -r /opt/tros/${TROS_DISTRO}/lib/parking_perception/config/ .
+cp -r /opt/tros/${TROS_DISTRO}/lib/mono_pwcnet/config/ .
 
 3. 配置MIPI摄像头
 export CAM_TYPE=mipi
 
 4. 启动launch文件
-ros2 launch parking_perception parking_perception.launch.py 
+ros2 launch mono_pwcnet pwcnet.launch.py
 
 4. 测试效果 
 运行成功后在pc端游览器输入：[http://IP:8000](http://ip:8000/)，即可查看图像和算法渲染效果（IP为RDK的IP地址）
 
 # 光流估计算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
-cp -r /opt/tros/${TROS_DISTRO}/lib/parking_perception/config/ .
+cp -r /opt/tros/${TROS_DISTRO}/lib/mono_pwcnet/config/ .
 
-3. 配置sub摄像头
-export CAM_TYPE=sub
+3. 配置usb摄像头
+export CAM_TYPE=usb
 
 4. 启动launch文件
-ros2 launch parking_perception parking_perception.launch.py 
+ros2 launch mono_pwcnet pwcnet.launch.py
 
 4. 测试效果 
 运行成功后在pc端游览器输入：[http://IP:8000](http://ip:8000/)，即可查看图像和算法渲染效果（IP为RDK的IP地址）
 
 # 光流估计算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
-cp -r /opt/tros/${TROS_DISTRO}/lib/parking_perception/config/ .
+cp -r /opt/tros/${TROS_DISTRO}/lib/mono_pwcnet/config/ .
 
-3. 配置MIPI摄像头
+3. 配置本地回灌图片
 export CAM_TYPE=fb
 
 4. 启动launch文件
-ros2 launch parking_perception parking_perception.launch.py 
+ros2 launch mono_pwcnet pwcnet.launch.py
 4. 测试效果 
 运行成功后在pc端游览器输入：[http://IP:8000](http://ip:8000/)，即可查看图像和算法渲染效果（IP为RDK的IP地址）
 
diff --git a/knowledge_hub/单目3D室内检测算法部署流程.md b/knowledge_hub/单目3D室内检测算法部署流程.md
index 6d442ef..6b475f0 100644
--- a/knowledge_hub/单目3D室内检测算法部署流程.md
+++ b/knowledge_hub/单目3D室内检测算法部署流程.md
@@ -1,7 +1,8 @@
 # 单目3D室内检测算法部署流程：
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono3d_indoor_detection/config/ .
diff --git a/knowledge_hub/单目高程网络检测算法部署流程.md b/knowledge_hub/单目高程网络检测算法部署流程.md
index b8509f6..dac765f 100644
--- a/knowledge_hub/单目高程网络检测算法部署流程.md
+++ b/knowledge_hub/单目高程网络检测算法部署流程.md
@@ -1,7 +1,8 @@
 # 单目高程网络检测算法部署流程：
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/elevation_net/config/ 
diff --git a/knowledge_hub/双目深度算法部署体验流程.md b/knowledge_hub/双目深度算法部署体验流程.md
index 3834d61..52aeb24 100644
--- a/knowledge_hub/双目深度算法部署体验流程.md
+++ b/knowledge_hub/双目深度算法部署体验流程.md
@@ -1,13 +1,28 @@
-# 双目深度算法部署体验流程
+# 双目深度算法部署体验流程：RDX X5
+
+1. 配置tros.b humble环境  
+source /opt/tros/humble/setup.bash
+
+2. 启动双目模型launch文件，其包含了算法和双目相机节点的启动  
+ros2 launch hobot_stereonet stereonet_model_web_visual_v2.1.launch.py
+mipi_image_width:=640 mipi_image_height:=352 mipi_lpwm_enable:=True mipi_image_framerate:=30.0
+need_rectify:=False height_min:=-10.0 height_max:=10.0 pc_max_depth:=5.0
+uncertainty_th:=0.1
+
+3. 测试模型效果  
+网页端查看深度图，浏览器访问 http://{开发板的IP地址}:8000
+
+# 双目深度算法部署体验流程：RDX S100
 
 1. 配置tros.b humble环境  
 source /opt/tros/humble/setup.bash
 
 2. 启动双目模型launch文件，其包含了算法和双目相机节点的启动  
 ros2 launch hobot_stereonet stereonet_model_web_visual_v2.4.launch.py \
-mipi_image_width:=640 mipi_image_height:=352 mipi_lpwm_enable:=True mipi_image_framerate:=30.0 \
+mipi_image_width:=640 mipi_image_height:=352 mipi_lpwm_enable:=False mipi_image_framerate:=30.0 \
 need_rectify:=False height_min:=-10.0 height_max:=10.0 pc_max_depth:=5.0 \
 uncertainty_th:=0.1
 
 3. 测试模型效果  
-网页端查看深度图，浏览器访问 http://{开发板的IP地址}:8000
\ No newline at end of file
+网页端查看深度图，浏览器访问 http://{开发板的IP地址}:8000
+
diff --git a/knowledge_hub/手势识别算法部署流程.md b/knowledge_hub/手势识别算法部署流程.md
index dc0433c..e6a70d7 100644
--- a/knowledge_hub/手势识别算法部署流程.md
+++ b/knowledge_hub/手势识别算法部署流程.md
@@ -1,7 +1,8 @@
 # 手势识别算法部署流程：用MIPI摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
@@ -19,8 +20,9 @@ ros2 launch hand_gesture_detection hand_gesture_detection.launch.py
 
 # 手势识别算法部署流程：用usb摄像头发布为照片
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
@@ -39,8 +41,9 @@ ros2 launch hand_gesture_detection hand_gesture_detection.launch.py
 
 # 手势识别算法部署流程：使用本地照片回灌
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/setup.bash
 
 2. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/mono2d_body_detection/config/ .
diff --git a/knowledge_hub/文本图片特征检索算法部署流程.md b/knowledge_hub/文本图片特征检索算法部署流程.md
index 5fedb67..b884ec7 100644
--- a/knowledge_hub/文本图片特征检索算法部署流程.md
+++ b/knowledge_hub/文本图片特征检索算法部署流程.md
@@ -1,5 +1,4 @@
-# 文本图片特征检索算法部署流程：CLIP 入库
-
+# 文本图片特征检索算法部署流程：
 1. 依赖安装
 pip3 install onnxruntime
 pip3 install ftfy
@@ -16,32 +15,22 @@ source /opt/tros/humble/setup.bash
 4. 从tros.b的安装路径中拷贝出运行示例需要的配置文件。
 cp -r /opt/tros/${TROS_DISTRO}/lib/clip_encode_image/config/ .
 
-5. 启动launch文件，RDK S100为例，RDK X5 为ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=0 clip_db_file:=clip.db clip_storage_folder:=/root/config
-ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=0 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_storage_folder:=/root/config
+5. 启动入库launch文件
+RDK S100：ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=0 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_storage_folder:=/root/config
+RDK X5：ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=0 clip_db_file:=clip.db clip_storage_folder:=/root/config
 
 
-# 文本图片特征检索算法部署流程：检索
-
-1. 依赖安装
-pip3 install onnxruntime
-pip3 install ftfy
-pip3 install wcwidth
-pip3 install regex
-
-2. 从Web端下载运行示例需要的模型文件。
-wget http://archive.d-robotics.cc/models/clip_encode_text/text_encoder.tar.gz
-sudo tar -xf text_encoder.tar.gz -C config
-
-3. 配置tros.b环境
+6. 重开一个终端，配置tros.b环境
 source /opt/tros/humble/setup.bash
 
-4. 启动launch文件，RDK S100为例，RDK X5 为ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=1 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_result_folder:=result clip_text:="a diagram"
-ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=1 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_result_folder:=result clip_text:="a diagram"
+7. 启动检索launch文件
+RDK S100：ros2 launch clip_manage hobot_clip_manage.launch.py clip_mode:=1 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_result_folder:=result clip_text:="a diagram"
+RDK X5：launch clip_manage hobot_clip_manage.launch.py clip_mode:=1 clip_image_model_file_name:=config/full_model_11.hbm clip_db_file:=clip.db clip_result_folder:=result clip_text:="a diagram"
 
-5. 检索结果可视化
+8. 检索结果可视化
 打开另一个终端
 cp -r /opt/tros/${TROS_DISTRO}/lib/clip_manage/config/index.html .
 python -m http.server 8080
 
-6. 查看检索结果
+9. 查看检索结果
 在PC端的浏览器输入http://IP:8080 即可查看图像检索结果（IP为设备IP地址）。
\ No newline at end of file
diff --git a/knowledge_hub/智能语音算法部署流程.md b/knowledge_hub/智能语音算法部署流程.md
index c1217d9..e5449b2 100644
--- a/knowledge_hub/智能语音算法部署流程.md
+++ b/knowledge_hub/智能语音算法部署流程.md
@@ -1,11 +1,13 @@
 # 智能语音算法部署流程：
 
-1. 安装智能语音算法包 若为humble版本则用sudo apt install tros-humble-hobot-audio
+1. 安装智能语音算法包
 sudo apt update
-sudo apt install tros-hobot-audio
+foxy版本：sudo apt install tros-hobot-audio
+humble版本：sudo apt install tros-humble-hobot-audio
 
-2. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+2. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 3. 从tros.b的安装路径中拷贝出运行示例需要的配置文件，若已拷贝则可忽略
 cp -r /opt/tros/${TROS_DISTRO}/lib/hobot_audio/config/ .
diff --git a/knowledge_hub/视觉惯性里程计算法部署流程.md b/knowledge_hub/视觉惯性里程计算法部署流程.md
index a2b6152..86e775b 100644
--- a/knowledge_hub/视觉惯性里程计算法部署流程.md
+++ b/knowledge_hub/视觉惯性里程计算法部署流程.md
@@ -1,7 +1,8 @@
 # 视觉惯性里程计算法部署流程：
 
-1. 配置tros.b环境 若为humble则用source /opt/tros/humble/setup.bash
-source /opt/tros/setup.bash
+1. 配置tros.b环境
+foxy版本:source /opt/tros/setup.bash
+humble版本:source /opt/tros/humble/setup.bash
 
 2. 启动launch文件
 ros2 launch hobot_vio hobot_vio.launch.py