QGroundControl在Android 14上的USB串口权限问题解析
在Android平台上使用QGroundControl(简称QGC)进行无人机地面站操作时,USB串口设备的访问是一个关键功能。近期有开发者反馈,在Android 14设备上运行QGC主分支版本时,遇到了USB串口设备无法枚举的问题,而同一设备上的QGC 4.4.3版本却能正常工作。
问题现象
当用户在Android 14平板上运行最新版QGC并连接串口无线电设备时,系统日志显示以下关键错误信息:
W/qgc.android.androidserial: availableDevicesInfo returned null
W/default: java.lang.SecurityException: User has not given 10152/org.mavlink.qgroundcontrol permission to access device /dev/bus/usb/002/006
这表明应用程序未能获得访问USB设备的必要权限,导致无法获取串口设备信息。
问题根源分析
这个问题源于Android系统权限模型的变更。从Android 10(API级别29)开始,Google引入了更严格的USB设备访问控制:
-
目标API级别限制:当应用的目标API级别(targetSdkVersion)设置为29或更高时,访问USB设备需要额外的权限声明和运行时请求。
-
序列号访问限制:高API级别下,访问USB设备的序列号需要特殊权限,这正是错误日志中显示的问题。
-
向后兼容性:目标API级别低于29的应用仍可使用旧的权限模型,这解释了为什么QGC 4.4.3版本可以正常工作。
解决方案
针对这个问题,开发者社区提供了两种解决方案:
-
降低目标API级别:将应用的目标API级别设置为28(Android 9.0 Pie)或更低,可以绕过新的权限限制。这种方法简单有效,但可能影响应用在Google Play商店的可见度,因为Google鼓励开发者保持最新的目标API级别。
-
实现完整的权限请求流程:对于希望保持最新API级别的开发者,需要:
- 在AndroidManifest.xml中添加必要的权限声明
- 实现运行时权限请求逻辑
- 正确处理用户授权结果
技术实现建议
对于QGroundControl这样的开源项目,建议采用以下最佳实践:
-
分级权限处理:根据目标API级别动态调整权限请求策略。
-
优雅降级:当无法获取完整权限时,提供替代方案或友好的错误提示。
-
用户引导:在需要权限时,向用户清晰解释为什么需要这些权限以及如何使用。
总结
Android平台的权限模型不断演进,为开发者带来了新的挑战。在开发无人机地面站等需要访问硬件设备的应用时,理解并正确处理这些权限变更至关重要。通过合理设置目标API级别或实现完整的权限请求流程,可以确保QGroundControl在各类Android设备上都能可靠地访问USB串口设备。
对于普通用户,如果遇到类似问题,可以尝试使用较旧版本的应用程序,或者联系开发者提供针对新Android版本的兼容性更新。对于开发者而言,及时跟进Android平台的API变更,并在代码中做好兼容性处理,是保证应用长期稳定运行的关键。
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