RP2040 Doom 项目下载及安装教程
1. 项目介绍
RP2040 Doom 是一个为 Raspberry Pi RP2040 微控制器开发的完全功能的 Doom 移植项目。该项目基于 Chocolate Doom 进行开发,并进行了大量修改以支持在 RP2040 设备上运行,特别是能够在只有 2M 闪存的 Raspberry Pi Pico 上运行完整的 DOOM1.WAD 文件。该项目不仅支持 DOOM1.WAD,还支持 Ultimate Doom 和 Doom II 在 8M 设备上的运行。
2. 项目下载位置
要下载 RP2040 Doom 项目,可以使用以下命令从 GitHub 仓库克隆项目:
git clone https://github.com/kilograham/rp2040-doom.git
3. 项目安装环境配置
在开始安装之前,需要确保系统中已经安装了必要的依赖项。以下是所需的依赖项及其安装方法:
3.1 安装 CMake
CMake 是一个跨平台的构建工具,用于生成 Makefile 或其他构建文件。可以通过以下命令安装:
sudo apt-get update
sudo apt-get install cmake
3.2 安装 pico-sdk 和 pico-extras
pico-sdk 是 Raspberry Pi Pico 的官方 SDK,而 pico-extras 提供了额外的库和工具。可以通过以下命令安装:
git clone -b develop https://github.com/raspberrypi/pico-sdk.git
git clone https://github.com/raspberrypi/pico-extras.git
3.3 安装 ARM GCC 工具链
为了编译 RP2040 的代码,需要安装 ARM GCC 工具链。可以通过以下命令安装:
sudo apt-get install gcc-arm-none-eabi
3.4 环境变量配置
在安装完 pico-sdk 和 pico-extras 后,需要设置环境变量以便 CMake 能够找到这些库。可以在 ~/.bashrc 文件中添加以下内容:
export PICO_SDK_PATH=/path/to/pico-sdk
export PICO_EXTRAS_PATH=/path/to/pico-extras
然后运行以下命令使环境变量生效:
source ~/.bashrc
3.5 图片示例

4. 项目安装方式
在完成环境配置后,可以开始构建 RP2040 Doom 项目。以下是构建步骤:
4.1 创建构建目录
首先,创建一个构建目录并进入该目录:
mkdir build
cd build
4.2 运行 CMake
在构建目录中运行 CMake 以生成 Makefile:
cmake ..
4.3 编译项目
运行以下命令编译项目:
make -j4
4.4 生成 UF2 文件
编译完成后,会在 build 目录下生成多个 UF2 文件,这些文件可以直接上传到 Raspberry Pi Pico 上运行。
5. 项目处理脚本
RP2040 Doom 项目包含一个名为 whd_gen 的工具,用于将 WAD 文件转换为 RP2040 Doom 特定的 WHD/WHX 格式。以下是使用 whd_gen 的步骤:
5.1 构建 whd_gen 工具
在构建目录中运行以下命令以构建 whd_gen 工具:
make whd_gen
5.2 使用 whd_gen 转换 WAD 文件
使用 whd_gen 工具将 WAD 文件转换为 WHD/WHX 格式:
./whd_gen doom1.wad doom1.whx
5.3 上传 WHD/WHX 文件
使用 picotool 将生成的 WHD/WHX 文件上传到 Raspberry Pi Pico:
picotool load -v -t bin doom1.whx -o 0x10042000
通过以上步骤,您可以成功下载、安装并运行 RP2040 Doom 项目。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00