MAVLink 技术文档
1. 安装指南
生成 C 头文件
在 Ubuntu LTS 20.04 或 22.04 上安装最小 MAVLink 环境的步骤如下:
# 安装依赖
sudo apt install python3-pip
# 将 mavlink 克隆到您选择的目录
git clone https://github.com/mavlink/mavlink.git --recursive
cd mavlink
# 安装 pymavlink 的依赖
python3 -m pip install -r pymavlink/requirements.txt
然后可以从 /mavlink 目录为 message_definitions/v1.0/common.xml 生成 MAVLink2 C 库:
python3 -m pymavlink.tools.mavgen --lang=C --wire-protocol=2.0 --output=generated/include/mavlink/v2.0 message_definitions/v1.0/common.xml
在 cmake 中使用
要在 cmake 中包含头文件,将其本地安装在例如 install 目录中:
cmake -Bbuild -H. -DCMAKE_INSTALL_PREFIX=install -DMAVLINK_DIALECT=common -DMAVLINK_VERSION=2.0
cmake --build build --target install
然后在使用 CMakeLists.txt 文件时获取依赖项:
find_package(MAVLink REQUIRED)
add_executable(my_program my_program.c)
target_link_libraries(my_program PRIVATE MAVLink::mavlink)
并将本地安装目录传递给 cmake(根据您的目录结构进行调整):
cd ../my_program
cmake -Bbuild -H. -DCMAKE_PREFIX_PATH=../mavlink/install
完整示例请查看 examples/c。
注意: 虽然我们在 cmake 中使用了 target_link_libraries,但它实际上并没有链接到 MAVLink,因为这是一个仅包含头文件的库。
其他说明
使用 C 库的说明在 Using C MAVLink Libraries (mavgen) 中有所介绍。
注意: 安装 MAVLink 工具链 解释了如何在其他 Ubuntu 平台和 Windows 上安装 MAVLink,而 生成 MAVLink 库 解释了如何为项目支持的其他编程语言构建 MAVLink。
2. 项目的使用说明
MAVLink 是一个用于无人机和/或地面控制站之间通信的非常轻量级、仅包含头文件的消息库。它主要由定义为 XML 文件的不同的系统("方言")的消息集规范组成,以及将它们转换为适当源代码的 Python 工具(支持的语言列表请查阅官方文档)。
MAVLink 非常适合用于通信带宽有限的应用程序。其参考实现以 C 语言编写,针对内存和闪存受限的系统进行了高度优化。它已在众多产品中经过现场验证,作为不同制造商组件之间的互操作性接口。
3. 项目 API 使用文档
本项目不提供直接的 API 文档,因为 MAVLink 是一个生成库。用户需要根据定义的 XML 文件生成特定语言的源代码,然后在自己的项目中使用生成的源代码。具体的生成和使用方法请参考官方文档中的相关指南。
4. 项目安装方式
MAVLink 的安装方式已在“安装指南”一节中详细描述,主要包括以下步骤:
- 安装依赖
- 克隆 MAVLink 仓库
- 安装 pymavlink 的依赖
- 生成 C 库(或其他支持语言的库)
- 在 cmake 项目中包含 MAVLink 库
请按照上述步骤进行安装,并根据需要调整参数。
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