SavvyCAN 开源项目教程
1. 项目介绍
SavvyCAN 是一个基于 Qt 的跨平台 CAN 总线工具,主要用于 CAN 总线的加载、保存和捕获。该项目旨在帮助用户进行 CAN 总线的可视化、逆向工程、调试和捕获。SavvyCAN 支持多种 CAN 总线设备,包括 EVTV 的 CANDue 板、Macchina M2 和 Teensy 3.x 板等。此外,SavvyCAN 还支持多种 CAN 总线接口,如 PeakCAN、Vector、SocketCAN 等。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保你已经安装了以下软件:
- Qt 5.14.x 或更高版本
- Git
2.2 下载并编译项目
-
克隆项目仓库:
git clone https://github.com/collin80/SavvyCAN.git cd SavvyCAN -
使用 Qt 的 qmake 工具生成 Makefile:
~/Qt/5.14/gcc_64/bin/qmake -
编译项目:
make -
运行 SavvyCAN:
./SavvyCAN
2.3 调试模式编译
如果你需要更多的调试信息,可以使用以下命令进行调试模式编译:
qmake CONFIG+=debug
make
3. 应用案例和最佳实践
3.1 逆向工程
SavvyCAN 提供了强大的逆向工程功能,可以帮助用户分析和理解 CAN 总线上的数据。通过捕获和分析 CAN 帧,用户可以识别出不同信号的含义,从而进行进一步的开发和调试。
3.2 多设备同时捕获
SavvyCAN 支持同时连接多个 CAN 总线设备,并进行数据捕获。这对于需要同时监控多个 CAN 总线的应用场景非常有用,例如车辆诊断和监控系统。
3.3 数据记录与回放
SavvyCAN 可以将捕获的 CAN 数据保存为多种格式,如 BusMaster 日志文件、Microchip 日志文件、CRTD 格式等。用户可以随时回放这些数据,以便进行进一步的分析和调试。
4. 典型生态项目
4.1 GVRET 固件
GVRET 固件是 SavvyCAN 的配套固件,适用于 EVTV 的 CANDue 板。该固件允许 SavvyCAN 与硬件设备进行通信,并捕获 CAN 总线数据。
4.2 Macchina M2
Macchina M2 是一个开源的汽车电子平台,支持 CAN 总线通信。SavvyCAN 可以与 Macchina M2 配合使用,进行 CAN 总线的调试和数据捕获。
4.3 Teensy 3.x
Teensy 3.x 是一个低成本的开发板,支持 CAN 总线通信。SavvyCAN 可以与 Teensy 3.x 配合使用,进行 CAN 总线的开发和调试。
通过以上模块的介绍,用户可以快速了解 SavvyCAN 项目的基本情况,并掌握其快速启动和应用的方法。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust014
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00