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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00