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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00