Px4源码框架结构图

csshuke csshuke 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.5k累计阅读 1.6k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄16年
关注
转载 最新推荐文章于 2026-04-17 10:35:39 发布 1.5k 阅读 AI 写同款· GEO 优化 ›
PX4代码解析(1) 前言 做pixhawk飞控有一段时间了，但在学习过程中遇到许多困难，目前网上找不到比较完整的PX4学习笔记，我打算结合自己理解，写写自己对PX4源码的理解，不一定对，只是希望与各位大佬交流交流，同时梳理一下无人机知识。 目前打算分享以下几个内容：代码架构；通信协议；姿态解算算法，控制算法。先这样，后面想到再加。本章先来聊聊px4代码结构 一、代码整体结构 既然要聊px4代码结构，那就先把px4代码结构图放出来,因为px4源码仍然在不断更新迭代，因此老版本与新版本目录结构可能有些不同，我的代码解析参考版本为V 阅读详情

此篇blog的目的是对px4工程有一个整体认识，对各个信号的流向有个了解，以及控制算法采用的控制框架。

PX4自动驾驶仪软件可分为三大部分：实时操作系统、中间件和飞行控制栈。

1.NuttX实时操作系统
提供POSIX-style的用户操作环境(如printf(), pthreads,/dev/ttyS1,open(),write(),poll(),ioctl())，进行底层的任务调度。
2.PX4中间件
PX4中间件运行于操作系统之上，提供设备驱动和一个微对象请求代理（micro object request broker，uORB)用于驾驶仪上运行的单个任务之间的异步通信。Px4被3DR开源后，整个代码结构被⼤改，原先的系统被摒弃，进而采用Nuttx，但是核心思想没变－为了简化开发而采用牺牲部分效率的消息传递机制，这是Px4 与ArduPilot 最本质的差别。
3.PX4飞行控制栈
飞行控制栈可以使用PX4的控制软件栈，也可以使用其他的控制软件，如APM:Plane、APM:Copter，但必须运行于PX4中间件之上。

此部分又可分为

决策导航部分：根据飞行器自身安全状态和接收到的命令，决定工作于什么模式，下一步应该怎么做。

位置姿态估计部分：根据传感器得到自身的位置和姿态信息，此部分算法含金量最高，算法也相当多。

位置姿态控制部分：根据期望位置和姿态设计控制结构，尽可能快、稳的达到期望位置和姿态。

控制器输出部分：mixer和执行器，pwm限幅。





算法在Firmware/src/modules，驱动在Firmware/src/drivers

px4原生固件模块列表：

系统命令程序

mavlink –通过串口发送和接收mavlink信息

sdlog2 –保存系统日志/飞行数据到SD卡

tests –测试系统中的测试程序

top –列出当前的进程和CPU负载

uORB – 微对象请求代理器-分发其他应用程序之间的信息

驱动

mkblctrl–blctrl电子模块驱动

esc_calib –ESC的校准工具

fmu –FMU引脚输入输出定义

gpio_led –GPIO LED驱动

gps –GPS接收器驱动

pwm –PWM的更新速率命令

sensors –传感器应用

px4io –px4io驱动

uavcan –uavcan驱动

飞行控制的程序

飞行安全和导航

commander –主要飞行安全状态机

navigator –任务，失效保护和RTL导航仪

估计姿态和位置

attitude_estimator_ekf –基于EKF的姿态估计

ekf_att_pos_estimator –基于EKF的姿态和位置估计

position_estimator_inav–惯性导航的位置估计

multirotor姿态和位置控制器

mc_att_control–multirotor姿态控制器

mc_pos_control –multirotor位置控制器

fixedwing姿态和位置控制器

fw_att_control –固定翼飞机的姿态控制

fw_pos_control_l1 –固定翼位置控制器

垂直起降姿态控制器

vtol_att_control –垂直起降姿态控制器

3.1决策

3.1.1 任务决策。以任务为导向，任务决策主要决定多旋翼下一步“去哪儿”，进一步，需要规划路径，使得整个过程能满足诸如：飞向航路点并沿航线飞，以及飞向航路点并避障等要求。
3.1.2 健康管理和失效保护。以安全为导向， 失效保护主要决定多旋翼下一步“去哪儿”。多旋翼飞行器在飞行前或飞行中，可能会发生通信故障、传感器失效和动力系统异常等，这些意外会直接导致控制任务无法完成。这一部分包括安全问题的介绍、机载设备的健康评估、机载设备的健康监测、失效后的保护建议。

传感器校正在commander里面

对应的程序在Firmware/src/modules/commander和Firmware/src/modules/navigator

完成任务模式切换，同时考虑电池电量、GPS等传感器是否正常工作等信息。


[cpp]  view plain  copy
  1. commander  
  2.   
  3. orb_publish(ORB_ID(home_position), homePub, &home);  
  4. orb_publish(ORB_ID(offboard_mission), mission_pub, &mission);  
  5. orb_publish(ORB_ID(vehicle_control_mode), control_mode_pub, &control_mode);  
  6. orb_publish(ORB_ID(vehicle_status), status_pub, &status);  
  7. orb_publish(ORB_ID(actuator_armed), armed_pub, &armed);  
  8. orb_publish(ORB_ID(vehicle_command_ack), command_ack_pub, &command_ack);  
  9.   
  10. orb_copy(ORB_ID(vehicle_status), state_sub, &state);  
  11. orb_copy(ORB_ID(parameter_update), param_changed_sub,&param_update;  
  12. orb_copy(ORB_ID(manual_control_setpoint), sp_man_sub, &sp_man);  
  13. orb_copy(ORB_ID(offboard_control_mode), offboard_control_mode_sub, &offboard_control_mode);  
  14. orb_copy(ORB_ID(telemetry_status), telemetry_subs[i], &telemetry);  
  15. orb_copy(ORB_ID(sensor_combined), sensor_sub, &sensors);  
  16. orb_copy(ORB_ID(differential_pressure), diff_pres_sub, &diff_pres);  
  17. orb_copy(ORB_ID(system_power), system_power_sub, &system_power);  
  18. orb_copy(ORB_ID(safety), safety_sub, &safety);  
  19. orb_copy(ORB_ID(vtol_vehicle_status), vtol_vehicle_status_sub, &vtol_status);  
  20. orb_copy(ORB_ID(vehicle_global_position), global_position_sub, &gpos);  
  21. orb_copy(ORB_ID(vehicle_local_position), local_position_sub, &local_position);  
  22. orb_copy(ORB_ID(vehicle_attitude), attitude_sub, &attitude);  
  23. orb_copy(ORB_ID(vehicle_land_detected), land_detector_sub, &land_detector);  
  24. orb_copy(ORB_ID(battery_status), battery_sub, &battery);  
  25. orb_copy(ORB_ID_VEHICLE_ATTITUDE_CONTROLS, actuator_controls_sub, &actuator_controls);  
  26. orb_copy(ORB_ID(subsystem_info), subsys_sub, &info);  
  27. orb_copy(ORB_ID(position_setpoint_triplet), pos_sp_triplet_sub, &pos_sp_triplet);  
  28. orb_copy(ORB_ID(vehicle_gps_position), gps_sub, &gps_position);  
  29. orb_copy(ORB_ID(mission_result), mission_result_sub, &mission_result);  
  30. orb_copy(ORB_ID(geofence_result), geofence_result_sub, &geofence_result);  
  31. orb_copy(ORB_ID(vehicle_command), cmd_sub, &cmd);  
[cpp]  view plain  copy
  1. navigator  
  2.   
  3. orb_publish(ORB_ID(position_setpoint_triplet), _pos_sp_triplet_pub, &_pos_sp_triplet);  
  4. orb_publish(ORB_ID(mission_result), _mission_result_pub, &_mission_result);  
  5. orb_publish(ORB_ID(geofence_result), _geofence_result_pub, &_geofence_result);  
  6. orb_publish(ORB_ID(vehicle_attitude_setpoint), _att_sp_pub, &_att_sp);  
  7.   
  8. orb_copy(ORB_ID(vehicle_global_position), _global_pos_sub, &_global_pos);  
  9. orb_copy(ORB_ID(vehicle_gps_position), _gps_pos_sub, &_gps_pos);  
  10. orb_copy(ORB_ID(sensor_combined), _sensor_combined_sub, &_sensor_combined);  
  11. orb_copy(ORB_ID(home_position), _home_pos_sub, &_home_pos);  
  12. orb_copy(ORB_ID(navigation_capabilities), _capabilities_sub, &_nav_caps);  
  13. orb_copy(ORB_ID(vehicle_status), _vstatus_sub, &_vstatus)  
  14. orb_copy(ORB_ID(vehicle_control_mode), _control_mode_sub, &_control_mode)   
  15. orb_copy(ORB_ID(parameter_update), _param_update_sub, &param_update);  
  16. orb_copy(ORB_ID(vehicle_command), _vehicle_command_sub, &cmd);  

3.2位置估计和姿态估计

此部分需要大量理论知识，暂时还比较欠缺。

sensors是对陀螺仪、加速度计地磁计的一个处理

[cpp]  view plain  copy
  1. sensors  
  2.   
  3. orb_publish(ORB_ID(airspeed), _airspeed_pub, &_airspeed);  
  4. orb_publish(ORB_ID(differential_pressure), _diff_pres_pub, &_diff_pres);  
  5. orb_publish(ORB_ID(battery_status), _battery_pub, &_battery_status);  
  6. orb_publish(ORB_ID(rc_channels), _rc_pub, &_rc);  
  7. orb_publish(ORB_ID(manual_control_setpoint), _manual_control_pub, &manual);  
  8. orb_publish(ORB_ID(actuator_controls_3), _actuator_group_3_pub, &actuator_group_3);  
  9. orb_publish(ORB_ID(sensor_combined), _sensor_pub, &raw);  
  10.   
  11. orb_copy(ORB_ID(sensor_accel), _accel_sub[i], &accel_report);  
  12. orb_copy(ORB_ID(sensor_gyro), _gyro_sub[i], &gyro_report);  
  13. orb_copy(ORB_ID(sensor_mag), _mag_sub[i], &mag_report);  
  14. orb_copy(ORB_ID(sensor_baro), _baro_sub[i], &_barometer);  
  15. orb_copy(ORB_ID(differential_pressure), _diff_pres_sub, &_diff_pres);  
  16. orb_copy(ORB_ID(vehicle_control_mode), _vcontrol_mode_sub, &vcontrol_mode);  
  17. orb_copy(ORB_ID(parameter_update), _params_sub, &update);  
  18. orb_copy(ORB_ID(rc_parameter_map), _rc_parameter_map_sub, &_rc_parameter_map);  
  19. orb_copy(ORB_ID(input_rc), _rc_sub, &rc_input);  

[cpp]  view plain  copy
  1. ardrone_interface  
  2. orb_publish(ORB_ID(actuator_outputs), pub, &outputs);  
  3. orb_copy(ORB_ID_VEHICLE_ATTITUDE_CONTROLS, actuator_controls_sub, &actuator_controls);  
  4. #define ORB_ID_VEHICLE_ATTITUDE_CONTROLS    ORB_ID(actuator_controls_0)  
  5. orb_copy(ORB_ID(actuator_armed), armed_sub, &armed);  
  6.   
  7. batt_smbus  
  8. orb_publish(_batt_orb_id, _batt_topic, &new_report);  
  9. orb_copy(ORB_ID(battery_status), sub, &status)  
  10.   
  11. bma180  
  12. orb_publish(ORB_ID(sensor_accel), _accel_topic, &report);  
  13.   
  14. GPS  
  15. orb_publish(ORB_ID(vehicle_gps_position), _report_gps_pos_pub, &_report_gps_pos);  
  16. orb_publish(ORB_ID(satellite_info), _report_sat_info_pub, _p_report_sat_info);  
  17.   
  18. hmc5883  
  19. orb_publish(ORB_ID(sensor_mag), _mag_topic, &new_report);  
  20.   
  21. hott  
  22. orb_publish(ORB_ID(esc_status), _esc_pub, &esc);  
  23. orb_copy(ORB_ID(sensor_combined), _sensor_sub, &raw);  
  24. orb_copy(ORB_ID(battery_status), _battery_sub, &battery);  
  25. orb_copy(ORB_ID(airspeed), _airspeed_sub, &airspeed);  
  26. orb_copy(ORB_ID(esc_status), _esc_sub, &esc);  
  27.   
  28. l3gd20  
  29. orb_publish(ORB_ID(sensor_gyro), _gyro_topic, &report);  
  30.   
  31. lsm303d  
  32. orb_publish(ORB_ID(sensor_accel), _accel_topic, &accel_report);  
  33. orb_publish(ORB_ID(sensor_mag), _mag->_mag_topic, &mag_report);  
  34.   
  35. mpu6000  
  36. orb_publish(ORB_ID(sensor_accel), _accel_topic, &arb);  
  37. orb_publish(ORB_ID(sensor_gyro), _gyro->_gyro_topic, &grb);  
  38.   
  39. mpu9250  
  40. orb_publish(ORB_ID(sensor_accel), _accel_topic, &arb);  
  41. orb_publish(ORB_ID(sensor_gyro), _gyro->_gyro_topic, &grb);  
  42.   
  43. ms5611  
  44. orb_publish(ORB_ID(sensor_baro), _baro_topic, &report);  
  45.   
  46. pwm_out_sim  
  47. orb_publish(ORB_ID(actuator_outputs), _outputs_pub, &outputs);  
  48. orb_copy(_control_topics[i], _control_subs[i], &_controls[i]);  
  49. actuator_controls_s _controls[actuator_controls_s::NUM_ACTUATOR_CONTROL_GROUPS];  
  50. orb_copy(ORB_ID(actuator_armed), _armed_sub, &aa);  
  51.   
  52. px4flow  
  53. orb_publish(ORB_ID(optical_flow), _px4flow_topic, &report);  
  54. orb_publish(ORB_ID(distance_sensor), _distance_sensor_topic, &distance_report);  
  55. orb_publish(ORB_ID(subsystem_info), pub, &info);  
  56.   
  57. px4fmu  
  58. orb_publish(ORB_ID(actuator_outputs), _outputs_pub, &outputs);  
  59. orb_publish(ORB_ID(safety), _to_safety, &safety);  
  60. orb_publish(ORB_ID(input_rc), _to_input_rc, &_rc_in);  
  61. orb_copy(_control_topics[i], _control_subs[i], &_controls[i]);  
  62. orb_copy(ORB_ID(actuator_armed), _armed_sub, &_armed);  
  63. orb_copy(ORB_ID(parameter_update), _param_sub, &pupdate);  
  64.   
  65. px4io  
  66. orb_publish(ORB_ID(vehicle_command), pub, &cmd);  
  67. orb_publish(ORB_ID(safety), _to_safety, &safety);  
  68. orb_publish(ORB_ID(battery_status), _to_battery, &battery_status);  
  69. orb_publish(ORB_ID(servorail_status), _to_servorail, &_servorail_status);  
  70. orb_publish(ORB_ID(input_rc), _to_input_rc, &rc_val);  
  71. orb_publish(ORB_ID(actuator_outputs), _to_outputs, &outputs);  
  72. orb_publish(ORB_ID(multirotor_motor_limits), _to_mixer_status, &motor_limits);  
  73. orb_copy(ORB_ID(actuator_armed), safety_sub, &safety);  
  74. orb_copy(ORB_ID(vehicle_command), _t_vehicle_command, &cmd);  
  75. orb_copy(ORB_ID(parameter_update), _t_param, &pupdate);  
  76. orb_copy(ORB_ID(actuator_controls_0), _t_actuator_controls_0, &controls);  
  77. orb_copy(ORB_ID(actuator_controls_x), _t_actuator_controls_0, &controls);  
  78. orb_copy(ORB_ID(vehicle_control_mode), _t_vehicle_control_mode, &control_mode);  
  79.   
  80. stm32(adc)  
  81. orb_publish(ORB_ID(system_power), _to_system_power, &system_power);  

3.3位置控制和姿态控制





3.4pwm输出

3.4.1mixer

官方地址(已失效)对应的内容

混合器输出定义控制器的输出是如何映射到电机和伺服输出。所有内置mixer文件位于ROM文件系统的/etc/mixers目录，并编译成固件。Mixer是一组独立的映射器，从控制读入写入，写入执行器输出。一个模块，结合一组根据预先定义的规则和参数的输入，产生一组输出。


(1)语法：
Mixer的定义是文本文件，用一个大写字母后跟一个冒号开头的行。所有其他的行都会被忽略，这意味着解释性文本可与定义相混合。每个文件可以定义多个Mixer。由一个Mixer产生的执行器输出的数量是特定的。
起始形式如下：
<tag>:<mixer arguments>
标签选择Mixer的类型，“M”为一种简单求和Mixer，“R”为多转子（多旋翼）Mixer等。
一个空的Mixer不消耗控制，并产生一个执行机构的输出，其值始终为零。通常一个空的Mixer被用作占位符Mixer的集合中，以实现制动器输出的特定模式。
空的Mixer定义形式：
Z:
 
(2)简单的Mixer
一个简单的Mixer的开始：
M: <control count>
O: <-ve scale> <+ve scale> <offset> <lower limit> <upper limit>

如果为零，则输出就为零，Mixer输出的固定值是受限制的。
第二行定义了输出输出定标器和标量参数。虽然计算作为浮点运算进行的，存储在所述定义文件中的值是由10000倍缩放，-0.5偏移被编码为-5000.
 
该定义继续描述控制输入和缩放项：
S: <group> <index> <-ve scale> <+ve scale> <offset> <lower limit> <upper limit>
这些值定义了控制组从那些定标器中读取数据，和该组内的值的偏移。是特定于设备读取Mixer的定义。
 
当用于混合车辆的控制，混合器组0是车辆姿态控制组，索引值从0到3通常分别是：roll，pitch，yaw，thrust。
 
具体详解见：https://pixhawk.org/dev/mixing?s[]=mixer
 
(3)多旋翼Mixer
在多旋翼混合器结合四个控制输入（roll，pitch，yaw，thrust）为一组用于驱动电机速度控制器制动输出。
Mixer定义的形式：
R: <geometry> <roll scale> <pitch scale> <yaw scale> <deadband>
参数解释：
    机械：包括quad（4x，4+），hex（6x，6+），octo（8x，8+）
    单独的roll，pitch和yaw控制因子
    电机输出死区  

收录于
PX4

当前文章被收录于：

PX4
113 篇文章 217 人学习
订阅专栏 查看详情
UAV

当前文章被收录于：

UAV
8 篇文章 3 人学习
订阅专栏 查看详情
PX4项目学习::（五）项目启动流程（从上电开始） 启动脚本是一个神奇的东西，它能够识别出你对应的飞机类型，加载对应的混控器，选择对应的姿态、位置估计程序以及控制程序，初始化你需要的驱动程序。下面来分析下。 阅读详情

相关推荐

Pixhawk代码学习（2019.11.30）

在制作无人机项目过程中，学习最麻烦的就是Pixhawk的代码，以下是我在学习过程中参考的博客文章等。 强烈推荐创客智造，里边的教程系统详细，适合初学者。 创客智造-Pixhawk无人机教程 以下值学习过程中参考的一些博客和文章，还有一些pixhawk代码视频学习，可以在Youtubu上找到。 1、博客 PX4之commander剖析解读-2 PX4自动任务飞行AUTO_MISSION的实现流程 A...

Fate_mt的博客 761

pixhawk 整体架构的认识

PX4自动驾驶仪软件可分为三大部分：实时操作系统、中间件和飞行控制栈。 1.NuttX实时操作系统 提供POSIX-style的用户操作环境(如printf(), pthreads,/dev/ttyS1,open(),write(),poll(),ioctl())，进行底层的任务调度。 2.PX4中间件 PX4中间件运行于操作系统之上，提供设备驱动和一个微对象请求代理（micro obje

czyv587的博客 2万+

pixhawk6x飞控端口定义

pixhawk6x飞控端口定义

【PX4-AutoPilot教程-源码】PX4源码文件目录架构分析

PX4源代码的结构复杂，本文介绍了源代码的总目录结构（以v1.13.0为例）。

在后厂村路努力科研搬砖的无人机控制方向练习生一名～ 1万+

PX4的电路原理图

这是Pixhawk硬件板的原理图，具体为stm32和飞控相关的外围部件的连接图。

鱼眼双目测距实战：从OpenCV标定到SGBM匹配的完整流程解析

本文详细解析了鱼眼双目测距的完整流程，从OpenCV标定到SGBM匹配，涵盖标定、校正、匹配和测距四个关键阶段。通过实战经验分享，帮助开发者解决鱼眼镜头强畸变带来的测距挑战，提升测距精度至5%以内。特别适合机器人导航、自动驾驶和VR领域的开发者参考。

weixin_27298377的博客 123

PX4源码框架结构图

转 Px4源码框架结构图 2016年06月15日 18:04:27 senlin16888 阅读数：10701 ...

XL__MAX的博客 1258

使用循环神经网络预测温度

简介 本文以天气时间序列数据集为例，讨论如何使用深度学习模型预测未来天气温度。 使用的是由德国耶拿马克思普朗克生物地球化学研究所的气象站记录。 数据每10分钟记录一次，共记录14种不同的量，如气温、气压、湿度、风向等，原始数据可追溯到2003年，本例只使用2009-2016年的数据。 数据 下载并解压数据略。 加载数据： data_dir = r'E:\practice\tf2\temperature' fname = os.path.join(data_dir, 'jena_climate_2009_

guotianqing的博客 5281

【PX4 学习4】导航及任务框架

本文重点介绍PX4飞控的Navigator和mission控制框架和逻辑。Navigator导航部分是无人机自主飞行控制的核心所在，其中包括自主起飞、自主降落、自主返航、自主任务以及GPS失效保护等各个部分。搞懂这个部分有助于理解无人机的自主飞行过程，闲话少说，上干货。  PX4飞控的整体架构参见Px4源码框架结构图  Navigator模块主要功能在于确定任务类型、地理围栏、失效保护，把任务航点...

wb790238030的博客 1406

3D Slicer中文教程（三）—数据加载及保存方式

1.打开数据与保存数据 （1）打开数据 ——可以将数据拖拽到3D Slicer应用窗口或者从菜单栏工具栏打开。 ——多种方式加载大量数据。 有关DICOM数据，请参阅DICOM模块文档。 对于几乎所有其他（包括场景），您可以使用添加数据对话框。 有关支持的数据格式的列表，请参阅此列表。 请注意，仅部分支持列出的某些格式。 ——对于一些更复杂的格式（特别是DWI），建议首先使用DICOM到n...

weixin_33676492的博客 5533

统信UOS安装CH384串口卡驱动

本文讲解如何在统信UOS系统下安装CH384 PCIE多串口驱动安装过程，CPU为飞腾D2000。其他Linux内核系统安装亦可参照类似方法。

shjhuang的专栏 1884

PX4飞控之导航及任务架构

本文重点介绍PX4飞控的Navigator和mission控制框架和逻辑。Navigator导航部分是无人机自主飞行控制的核心所在，其中包括自主起飞、自主降落、自主返航、自主任务以及GPS失效保护等各个部分。搞懂这个部分有助于理解无人机的自主飞行过程。

zhenglongf的博客 7696

从DeepMimic到虚拟偶像：用动作捕捉数据训练AI跳舞的完整流程（附Blender插件配置）

本文详细介绍了如何利用DeepMimic的深度强化学习框架，将动作捕捉数据转化为虚拟偶像或游戏角色的舞蹈动作。从核心的模仿学习理念、PyBullet环境搭建、策略网络与奖励函数设计，到数据处理、训练技巧（如参考状态初始化），最后讲解了如何将训练好的AI模型集成到Blender和Unity等工具中，实现从数据到实时驱动角色的完整流程。

weixin_29054399的博客 501

PX4框架结构图，包含类、输入对象。

闲来整理PX4框架，希望能帮助到大家，如果绘图逻辑中有问题，敬请原谅与大方指正，谢谢。

2303_78963176的博客 139

Java：使用Java调用打印机进行打印（JPG、PDF和Word三种文件格式）

目录 一、Java的打印简介 二、Java打印实现 2.1 JPG图片文件格式打印实现 2.2 PDF文件格式打印实现 2.3 Word文件格式打印实现 2.3.1 Word文件采用jacob插件进行打印实现。 2.3.2 先将word转化为pdf文件，然后打印pdf（lz使用） 三、总结 一、Java的打印简介 在我们的实际工作中，经常需要实现打印功能。但由于历史原因，Jav...

vatxiongxiaohui的专栏 8万+

深度学习 load_data_fashion_mnist

pytorch 中报错：PermissionError: [WinError 5] 拒绝访问。: '…/data’ 在学习李沐大神动手学习深度学习卷积神经网络章节中，调用d2l包中load_data_fashion_mnist报错，这可能是***权限***的问题。 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,batch_size) 我的解决方法是 重新定义一下 load_data_fashi

纸上得来终觉浅，绝知此事要躬行 9148

有空的时候多学习

tcp/ip协议的解析

IMBeGooD的博客 578

串行RapidIO（Serial RapidIO，SRIO）：协议介绍

目录一、RapidIO背景介绍二、RapidIO协议概述2.1 包与控制符号2.2 包格式2.4 消息传递2.5 全局共享存储器2.6 流量控制2.7 串行物理层三、I/O逻辑操作与包格式四、维护操作与包格式五、消息操作与包格式六、总结 本文是基于Xilinx平台SRIO介绍（一）RapidIO协议介绍的内容作读书笔记。 一、RapidIO背景介绍 RapidIO采用三层分级体系结构，包括逻辑层、传输层和物理层该分级结的如下图所示： ● 逻辑层：位于最高层，定义全部协议和包的格式,它们为端点器件发起和完

Starry__的博客 1万+

PX4从放弃到精通（四）：PX4架构

文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 一个人可以走的更快，一群人才能走的更远，交流学习加qq:2096723956 更多保姆级PX4+ROS学习视频：https://b23.tv/ZeUDKqy 一、pandas是什么？ 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import

超维空间科技的博客 1万+

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

PX4原生固件源码分析（挖坑）--1、代码结构

写在开头 最近开始学习PX4源码，并进行二次开发，苦于网上缺少有关PX4源码的分析，于是在这开个坑，记录自己学习PX4的过程，以此自勉，笔者第一次写博客，若有不足之处，还请多包涵。 硬件、固件版本 硬件：雷迅V5+飞控 固件版本：v1.11（PX4固件源码在20年有一次很大的改动） ...

lmh081910的博客 6865

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
上一篇： NuttX 启动流程
下一篇： pixhawk commander--navigator--modules之间的联系
点赞 3
评论 1
书签 书签 31
csshuke
csshuke
博客等级 码龄16年 1517粉丝 8原创
+ 关注 专栏目录 订阅专栏
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值