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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01