SavvyCAN V220版本发布:CAN总线分析工具的重大更新
SavvyCAN是一款功能强大的开源CAN总线分析工具,广泛应用于汽车电子、工业控制等领域的网络通信调试与数据分析。该项目由Collin Kidder创建并维护,社区贡献者众多,支持多种CAN硬件接口和日志格式。最新发布的V220版本带来了多项重要改进和功能增强,显著提升了用户体验和工具性能。
核心功能改进
本次更新在DBC文件处理方面进行了多项修复,解决了长期存在的一些兼容性问题。DBC是CAN通信中描述信号和报文的标准格式,SavvyCAN现在能够更准确地解析和处理DBC文件中的各种定义,包括对浮点信号类型(SIG_VALTYPE_)的支持,这使得工具能够正确显示和处理CAN总线上的浮点数值信号。
在信号处理方面,改进了图形化信号编辑器和信号查看器的消息过滤功能,用户可以更高效地筛选和查看特定信号。同时,信号值的显示格式也得到了优化,现在会在数值和单位之间自动添加空格,使显示更加规范易读。
硬件支持增强
V220版本显著扩展了对各类CAN接口硬件的支持。对于LAWICEL协议设备,新增了3000000波特率模式的支持,并实现了完整的CAN-FD功能支持,包括数据速率选择。这使得SavvyCAN能够充分利用高性能CAN-FD硬件的全部能力。
Qt SerialBus插件现在支持监听模式(ListenOnly),这一特性对于被动监测CAN网络流量非常有用,不会对总线造成任何干扰。此外,修复了设备连接后选择状态保持的问题,改善了多设备管理体验。
日志格式兼容性
新版本增加了对多种日志格式的支持和优化。新增了canlogserver远程捕获功能,可以从网络设备获取CAN数据。Wireshark SocketCAN日志格式现在被完整支持,包括扩展CAN ID的正确处理。对于candump格式,现在支持超过8字节的长帧记录,适应CAN-FD应用场景。
LAWICEL协议的时间戳处理得到了修正,确保日志中的时间信息准确无误。CANserver格式现在支持更高精度的时间分辨率,满足精确时间分析需求。TRC CanHacker加载器增加了逗号检查,提高了文件兼容性。
用户界面与体验
在用户界面方面,V220版本进行了多项优化。修正了表格行高的计算方式,使数据显示更加整齐。设备控制台窗口修复了重复显示的问题。模糊测试窗口(FuzzingWindow)新增了批量设置按钮,可以一键设置所有信号为高/低/自动值,大大简化了测试配置流程。
连接配置现在可以保存总线速率和CAN-FD参数,方便用户快速恢复工作环境。系统要求也进行了更新,现在需要C++17标准,这为后续功能开发奠定了基础。
脚本与自动化
脚本接口得到了显著增强,提供了更强大的自动化能力。用户现在可以通过脚本更灵活地控制SavvyCAN的各项功能,实现复杂的测试和分析流程自动化。解码消息文本的输出格式也进行了优化,不再添加多余的空行,使日志更加紧凑易读。
跨平台支持
V220版本继续强化跨平台支持。为Linux系统新增了安装脚本,简化了部署过程。macOS平台同时提供arm64和x64架构的版本,全面支持苹果芯片和Intel处理器的Mac电脑。Windows用户可以获得预编译的64位版本,开箱即用。
总结
SavvyCAN V220版本汇集了来自众多贡献者的改进,在稳定性、功能性和用户体验方面都有显著提升。特别是对CAN-FD的完整支持、多种日志格式的兼容性增强以及DBC处理的改进,使其成为更加强大的CAN总线分析工具。开源社区的持续贡献确保了项目的活力,也为专业用户和爱好者提供了可靠的CAN网络分析解决方案。
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 StartedRust0197
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 Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07