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。
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