OpenStorm 的安装和配置教程
1. 项目的基础介绍和主要的编程语言
OpenStorm 是一个开源的3D雷达查看器,它使用 Unreal Engine 5 作为基础,通过自定义的体积光线追踪着色器,可以显示整个雷达体积。OpenStorm 支持多种雷达数据的显示,包括基础产品和派生产品,并且能够在 Linux 和 Windows 系统上运行,支持 NEXRAD 和 ODIM H5 雷达数据格式。
该项目主要使用以下编程语言:
- C++
- C
- Makefile
2. 项目使用的关键技术和框架
OpenStorm 使用了以下关键技术和框架:
- Unreal Engine 5:作为游戏引擎,提供了强大的图形渲染能力。
- Volumetric Ray Marching Shader:用于渲染雷达体积数据。
- HDF5:用于读取欧洲 ODIM 雷达数据。
3. 项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装 OpenStorm 之前,请确保您的系统满足以下要求:
- 安装了 Unreal Engine 5.2 或更高版本。
- 具备一定的编程基础,尤其是 C++。
- 安装了 Git。
安装步骤
-
克隆项目
打开命令行窗口,使用以下命令克隆 OpenStorm 仓库:
git clone https://github.com/JordanSchlick/OpenStorm.git -
获取子模块
在项目目录下,运行以下命令获取子模块:
git submodule update --init --recursive -
生成 Visual Studio 项目文件
在 OpenStorm 目录中,右键点击
OpenStorm.uproject文件,选择 "Generate Visual Studio project files"。 -
打开 Visual Studio 解决方案
使用 Visual Studio 打开生成的解决方案文件。
-
构建项目
在 Visual Studio 中,按下
Ctrl+Shift+B来构建项目。 -
打开 Unreal Engine 项目
构建完成后,打开 Unreal Engine 编辑器,选择 "Open Project",找到并打开 OpenStorm 项目。
-
获取数据文件
由于一些较大的数据文件没有包含在仓库中,你需要从最新发布的版本中获取这些文件。你可以将整个
Content/Data文件夹复制到项目中,以获取以下文件:- 高程数据:
Content/Data/Map/elevation.bin.gz - 卫星图像:
Content/Data/Map/Tiles/ImageryOnly.tar - GIS 地图数据文件:
Content/Data/Map/GIS/ - 演示雷达文件:
Content/Data/Demo/
- 高程数据:
-
可选安装 HDF5 支持
如果需要支持欧洲 ODIM 雷达数据,可以克隆 HDF5 仓库到
OpenStorm/Source/OpenStorm/Radar/Deps目录:cd OpenStorm/Source/OpenStorm/Radar/Deps git clone https://github.com/JordanSchlick/hdf5.git注意:这会增加编译时间,并且可能导致不兼容。
-
配置 Visual Studio 环境
为了在 Visual Studio Code 中启用智能感知和构建,你需要创建一个到 Unreal Engine 安装目录的符号链接。以下是在 Windows 和 Linux 系统中的示例:
-
Windows 示例(需要管理员权限):
mklink /D UnrealEngine "C:\files\Epic\UE_5.2\" -
Linux 示例:
ln -s "/path/to/UnrealEngine" UnrealEngine
请确保链接的目录包含了
Engine文件夹。 -
完成以上步骤后,你应该能够成功运行 OpenStorm 项目,并开始查看雷达数据。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-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