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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00