Ubuntu20.04下PX4仿真环境搭建:解决make px4_sitl_default gazebo报错的5个关键步骤

make px4_sitl_default gazebo出现错误解决办法 Ubuntu20.04按上图操作进行PX4配置的时候出现如下错误: -- Configuring incomplete, errors occurred! See also "/home/wxc/Firmware/build/px4_sitl_default/build_gazebo/CMakeFiles/CMakeOutput.log". See also "/home/wxc/Firmware/build/px4_sitl_default/build_gazebo/CMakeFiles/CMakeEr. 阅读详情

从零到一:在Ubuntu 20.04上构建坚如磐石的PX4仿真环境

如果你刚刚踏入无人机软件开发的奇妙世界,或者正在为实验室的项目搭建仿真平台,那么“PX4 + Gazebo”这个组合对你来说一定不陌生。它几乎是目前开源无人机生态中最强大、最流行的软件在环(SITL)仿真方案。然而,理想很丰满,现实往往会在你满怀期待地输入 make px4_sitl_default gazebo 命令后,给你当头一棒——满屏红色错误,构建进程戛然而止。这种挫败感,我太懂了。几年前我第一次接触时,也被各种依赖缺失、版本冲突、编译错误折磨得焦头烂额。但请相信,这些问题并非无解,它们更像是PX4环境对你的一次“入会考验”。今天,我们就来系统性地拆解这个搭建过程,不仅告诉你如何解决那个经典的 make 报错,更要帮你建立一个对底层依赖和构建流程有清晰认知的、真正健壮的仿真开发环境。我们的目标不是“碰运气”通过编译,而是打造一个未来可以稳定迭代、便于调试的“生产力环境”。

1. 理解构建基石:PX4仿真环境的全景图

在动手敲命令之前,我们有必要花点时间理解一下 make px4_sitl_default gazebo 这个命令背后究竟发生了什么。这能让你在遇到问题时,不再是盲目地搜索错误日志片段,而是能进行有根据的推理和排查。

PX4的仿真环境是一个相当复杂的软件栈,它主要包含以下几个核心层:

  1. PX4飞控固件 (Firmware):这是无人机的大脑,包含了飞行控制算法、状态估计、任务调度等所有核心逻辑。在仿真中,它以一个独立进程运行。
  2. Gazebo仿真器:提供物理引擎和3D可视化环境。它模拟出无人机(以及可能的环境,如风、光照、地形)的物理模型。
  3. sitl_gazebo插件:这是连接PX4和Gazebo的桥梁。它作为一个Gazebo插件运行,一方面将Gazebo中传感器的模拟数据(如IMU、GPS)发送给PX4,另一方面接收PX4计算出的电机控制指令,驱动Gazebo中的模型运动。
  4. MAVLink通信协议:用于PX4与地面站(如QGroundControl)、外部脚本或其他模块之间的通信。

当你执行 make px4_sitl_default gazebo 时,构建系统(基于CMake)会同时编译PX4固件和 sitl_gazebo 插件,并确保它们之间的接口匹配。这个过程需要调用系统中大量的开发库,如编译器(gcc/g++)、构建工具(CMake, Ninja)、Gazebo的客户端库、物理引擎库(如ODE或Bullet)、图形库(OpenGL)以及一系列数学和工具库(如Eigen, protobuf)。

注意:Ubuntu 20.04自带的软件包版本(尤其是Gazebo 11)与PX4固件源码所期望的版本可能存在微妙的差异。这种“版本漂移”是导致大多数构建失败的根源。

一个常见的依赖关系简化视图如下表所示:

组件主要功能关键依赖包示例
PX4固件飞行控制核心gcc-arm-none-eabi, cmake, python3, numpy
Gazebo仿真器物理与3D环境gazebo11, libgazebo11-dev, libbullet-dev
sitl_gazebo插件PX4与Gazebo的桥梁libgazebo11-dev, protobuf-compiler, libeigen3-dev
构建系统编译与链接cmake, ninja-build, make

理解了这张全景图,我们就能明白,搭建环境本质上是在确保这张网上所有的节点(软件包)都正确安装,并且链接(版本兼容性)是稳固的。

2. 构建前的精密准备:打造纯净的起点

很多构建错误源于一个“不干净”的起点——系统中残留着旧版本的包、冲突的环境变量,或者源码下载不完整。这一步的目标是建立一个可重复、可预测的初始状态。

第一步,从官方源获取完整的代码。 请确保你位于一个网络通畅的环境下,使用 git 命令克隆仓库,并递归地获取所有子模块。这是最关键的一步,代码不完整后续一切免谈。

# 1. 克隆主仓库
git clone https://github.com/PX4/PX4-Autopilot.git --recursive
cd PX4-Autopilot

# 2. 切换到稳定版本分支(例如v1.13,避免使用开发中的master分支以获取更好稳定性)
git checkout v1.13.3 # 请查阅仓库Release页面,替换为最新的稳定版本号
git submodule sync --recursive
git submodule update --init --recursive

第二步,全面更新系统基础包。 这是解决原始文章中提到的 sudo apt-get upgrade 所针对的问题。但我们可以做得更细致。首先更新软件包列表,然后进行升级。dist-upgrade 会比 upgrade 更智能地处理依赖关系的变更,对于搭建开发环境更合适。

sudo apt update
sudo apt dist-upgrade -y

升级过程中,系统可能会提示你确认一些配置文件的更改。通常,如果你没有手动修改过这些配置,选择保持当前版本或安装维护者的版本都是安全的。

第三步,安装PX4官方提供的统一安装脚本所需依赖。 PX4社区提供了一个非常棒的Bash脚本,可以自动安装大部分依赖。我们先安装运行这个脚本本身需要的工具。

sudo apt install wget git zip -y

然后,下载并运行安装脚本。这个脚本会识别你的Ubuntu版本,并安装对应版本的所有必要依赖。

wget https://raw.githubusercontent.com/PX4/PX4-Autopilot/main/Tools/setup/ubuntu.sh
source ubuntu.sh

提示:运行 ubuntu.sh 脚本时,它会交互式地询问你是否安装某些组件(如模拟器、NuttX工具链等)。对于仿真环境,通常需要全部安装。请仔细阅读提示并做出选择。脚本运行时间较长,请耐心等待。

完成以上三步,你的系统就已经为构建PX4做好了九成的准备。剩下的就是处理那些版本冲突和“顽固”的依赖了。

3. 攻克核心依赖冲突:Gazebo与库文件的版本谜题

即使运行了官方脚本,Gazebo相关的依赖仍然是错误的重灾区。问题通常出在动态链接库的版本上。我们可以通过几个关键命令来诊断和修复。

首先,确认Gazebo已正确安装并能运行。

gazebo --version

如果这条命令能正确输出 Gazebo 11.x.x,说明主程序没问题。如果报错或版本不对,需要重新安装:

sudo apt remove gazebo* libgazebo* -y # 谨慎操作,这会移除所有gazebo相关包
sudo apt install gazebo11 libgazebo11-dev -y

其次,检查关键开发库的版本。 最常见的冲突点之一是 libignition-math 库。PX4的 sitl_gazebo 插件可能要求特定版本(如 libignition-math4-dev),而你的系统可能安装了其他版本。

# 查找已安装的ignition-math相关包
apt list --installed | grep ignition-math

如果你发现安装了 libignition-math6-dev 但缺少 libignition-math4-dev,你就需要安装后者。多个版本可以共存。

sudo apt install libignition-math4-dev -y

另一个常客是 protobuf。确保编译器和开发库都已安装,且版本匹配。

sudo apt install protobuf-compiler libprotobuf-dev -y
protoc --version # 应输出3.x.x版本

使用一个诊断脚本来检查环境。 PX4源码目录下有一个有用的脚本:

./Tools/setup/check_ubuntu.sh

这个脚本会检查所有主要依赖项,并给出明确的“通过”或“失败”提示。根据它的输出,你可以像查清单一样逐个补全缺失的包。

有时,问题不在于缺失,而在于路径。确保Gazebo的模型路径被正确设置,否则 sitl_gazebo 在配置阶段可能找不到模型文件而失败。你可以手动设置它:

echo 'export GAZEBO_MODEL_PATH=$GAZEBO_MODEL_PATH:~/PX4-Autopilot/Tools/sitl_gazebo/models' >> ~/.bashrc
echo 'export GAZEBO_PLUGIN_PATH=$GAZEBO_PLUGIN_PATH:~/PX4-Autopilot/build/px4_sitl_default/build_gazebo' >> ~/.bashrc
source ~/.bashrc

4. 执行构建与深度错误分析

现在,让我们进入构建环节。请确保你在 PX4-Autopilot 目录下。

首先,进行一次彻底的清理。 即使你是第一次构建,这也无害。如果之前构建失败过,这步则是必须的,可以清除可能损坏的中间文件。

make distclean
# 或者更彻底地删除build目录
rm -rf build/

开始构建。 我们使用 -j 参数来并行编译,加快速度。数字 4 表示使用4个并行任务,你可以根据你CPU的核心数进行调整(通常为核心数或核心数*2)。

make px4_sitl_default gazebo -j4

如果构建顺利,Gazebo界面会自动弹出,里面会有一架默认的 Iris 无人机。但更可能的情况是,你会在编译过程中遇到错误。这时,关键不是只看最后几行报错,而是要学会分析错误日志。

构建失败时,终端输出通常会指向两个日志文件,就像原始文章里提到的:

See also "/home/your_user/PX4-Autopilot/build/px4_sitl_default/build_gazebo/CMakeFiles/CMakeOutput.log".
See also "/home/your_user/PX4-Autopilot/build/px4_sitl_default/build_gazebo/CMakeFiles/CMakeError.log".
  • CMakeError.log:这个文件记录了在配置(configure)阶段,CMake尝试编译和链接一些测试程序时遇到的错误。这是解决依赖问题的金钥匙。打开它,搜索 “error” 或 “failed”。你可能会看到类似“找不到 -lSomeLibrary”或“对‘some_function@SOME_VERSION’未定义的引用”这样的信息。这明确告诉你缺少哪个库,或者哪个库的版本不对。

    • 示例:如果错误提到 libBulletCollision,你就需要安装 libbullet-dev。
    • 示例:如果错误提到 ignition/math4/Vector3.hh: No such file or directory,那你就需要安装 libignition-math4-dev。
  • CMakeOutput.log:这个文件包含更详细的配置过程输出,在 CMakeError.log 信息不足时,可以在这里寻找更多线索。

针对性解决日志中的错误。 根据日志提示,安装缺失的包或调整版本。例如:

# 假设CMakeError.log提示缺少Bullet物理引擎
sudo apt install libbullet-dev -y

# 假设提示Eigen3版本问题
sudo apt install libeigen3-dev -y
# 有时可能需要指定版本或从源码安装更新版本

解决一个依赖后,务必再次执行 make distclean 或删除 build 目录,然后重新开始构建。因为CMake的配置结果会被缓存,不清理的话,它不会重新检查你刚修复的依赖项。

5. 进阶调优与故障排除锦囊

即使构建成功,为了获得一个高效、稳定的开发环境,我们还可以进行一些优化。此外,这里汇总了一些其他常见问题的速查解决方案。

优化构建速度:使用ccache ccache是一个编译器缓存工具,可以大幅缩短重复构建的时间。安装并启用它:

sudo apt install ccache -y
# 在PX4-Autopilot目录下,设置环境变量使其对当前构建生效
export CCACHE_DIR="$HOME/.ccache"
export PX4_CMAKE_CXX_COMPILER_LAUNCHER=ccache
# 可以将这两行export命令添加到~/.bashrc中永久生效

之后再进行构建,第一次速度不变,但后续构建会快很多。

Gazebo黑屏或无法启动模型 如果Gazebo启动后只有灰色背景,没有无人机模型,通常是模型加载问题。

  1. 检查并确保 GAZEBO_MODEL_PATH 环境变量已正确设置(见第3节)。
  2. 手动下载Gazebo模型库(首次运行Gazebo时会自动下载,但可能因网络问题失败):
    cd ~
    wget -O gazebo_models.tar.gz http://files.osrf.org/gazebo/models/gazebo_models.tar.gz
    tar -xzf gazebo_models.tar.gz
    mkdir -p ~/.gazebo/models
    cp -r gazebo_models/* ~/.gazebo/models/
    

“Permission denied”错误 如果运行仿真时出现权限错误,可能需要将你的用户加入 dialout 组,以便访问串口(某些仿真接口会模拟串口)。

sudo usermod -a -G dialout $USER

注销并重新登录后此更改生效。

内存不足导致编译中断 PX4的编译,特别是Gazebo插件部分,对内存有一定要求。如果编译过程中进程被杀死(Killed),可能是内存或交换空间不足。

  • 关闭其他占用内存大的程序。
  • 增加交换空间(Swap)。可以使用以下命令创建一个4GB的交换文件:
    sudo fallocate -l 4G /swapfile
    sudo chmod 600 /swapfile
    sudo mkswap /swapfile
    sudo swapon /swapfile
    # 要永久生效,需将 /swapfile none swap sw 0 0 添加到 /etc/fstab
    

构建环境的过程,就像在调试一个复杂的分布式系统。每一次失败和解决,都会让你对这套工具链的理解加深一层。当Gazebo的界面终于弹出,无人机稳稳地悬停在虚拟世界中时,那种成就感就是对你耐心和细致的最佳回报。记住,保持系统更新、仔细阅读错误日志、善用社区资源(如PX4的GitHub Issues和Discourse论坛),是解决一切问题的通用法则。现在,你的仿真环境已经就绪,可以开始真正的无人机算法开发与测试之旅了。如果在后续使用中遇到新的挑战,不妨回头看看这些基础步骤,或许答案就藏在某个依赖的细节里。

保姆级教程:从零配置PX4 SITL + Gazebo Classic仿真环境(附ROS_PACKAGE_PATH设置详解) 本文提供从零配置PX4 SITL与Gazebo Classic仿真环境的详细教程,涵盖源码部署、环境构建、ROS整合及常见问题排查。特别针对ROS_PACKAGE_PATH设置进行深入解析,帮助开发者快速搭建无人机仿真环境并优化性能。 阅读详情

相关推荐

保姆级教程:从零在Ubuntu 22.04上配置PX4 Gazebo仿真(含ROS2 Humble集成与常见路径错误修复)

本文提供了一份详细的PX4无人机仿真环境搭建指南,涵盖Ubuntu 22.04系统配置、PX4源码编译、Gazebo仿真环境部署以及ROS2 Humble深度整合。特别针对2023年最新版PX4-Autopilot的结构变化和常见路径错误提供了解决方案,帮助开发者快速构建完整的无人机仿真系统。

sym19862006的专栏 401

编译px4的时候路径不对

make px4_sitl_default gazebo的时候。

luomo3348的博客 350

Ubuntu 20.04 下 PX4 与 VINS-FUSION 联调实战:从环境搭建到避坑指南

视觉惯性里程计(VIO)通过融合相机与IMU数据实现无GPS环境下的位姿估计,其核心原理是非线性优化与多传感器紧耦合。在无人机室内自主飞行、精准悬停等场景中,VIO技术价值显著,可替代昂贵的外部定位系统。典型应用包括学术研究和工业原型开发,常基于PX4飞控与VINS-FUSION算法进行联合调试。本文聚焦Ubuntu 20.04平台,详解PX4与VINS-FUSION的联调流程,涵盖环境配置、编译避坑、时间同步等关键环节,助力开发者快速打通仿真与实机验证。

diaoju3333的博客 960

PX4-Autopilot系列3:‘RAW_OPT‘经典错误

'RAW_OPT'经典错误:AttributeError: module 'em' has no attribute 'RAW_OPT'

SWEETerss的博客 3642

PX4飞控开发实战:QGroundControl深度配置与Ubuntu 20.04环境四重校准

飞行控制系统(FCS)是无人机自主运行的核心,其本质是一套基于实时通信协议的闭环反馈架构。理解MAVLink协议栈、硬件抽象层与地面站交互逻辑,是实现可靠控制的前提。QGroundControl(QGC)并非简单遥控界面,而是PX4生态中参数管理、状态监控与指令下发的统一入口;而Ubuntu 20.04作为官方强约束平台,承载着PX4固件编译、QGC渲染、ROS Noetic集成与Gazebo仿真的四重依赖对齐。本文聚焦真实工程场景,解析SITL仿真连接失败、参数不生效、Offboard模式无法激活等高频问

weixin_34208185的博客 401

PX4 SITL+Gazebo+QGC闭环仿真系统深度解析

无人机飞控仿真本质上是构建高保真数字孪生验证环境,其核心在于软件在环(SITL)逻辑、物理引擎(Gazebo)建模与地面站协议交互(QGC)的毫秒级时序闭环。SITL复用真实PX4固件控制律与EKF2状态估计,Gazebo基于ODE求解刚体动力学并注入IMU/GPS噪声,QGC则通过MAVLink实现指令下发与数据可视化——三者协同才能支撑抗风扰、GPS拒止等极端工况验证。该架构显著优于纯数学仿真或单点工具链,在农业植保、物流配送等工程场景中可替代90%实飞测试,大幅降低硬件试错成本。本文聚焦PX4 SIT

weixin_34025051的博客 163

make px4_sitl_default gazebo编译报错解决办法

PX4无人机ROS下仿真,下载Fireware后执行make px4_sitl_default gazebo编译,编译过程中出现如下错误: 错误原因是两个package没有安装:gstreamer-1.0和gstreamer-base-1.0,解决办法就是将这两个包安装好即可,执行: sudo apt-get install libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev 完成之后重新make px4_sitl_default gazebo即可

ShenMoZhiZi的博客 5378

Ubuntu 18.04上PX4开发环境搭建:编译、仿真与Qt Creator调试

无人机飞控开发中,PX4作为主流开源飞控固件,其开发环境的搭建是进行算法验证与系统调试的前提。理解固件编译、SITL仿真及地面站通信的协作机制,能显著提升开发效率。在Ubuntu 18.04系统下,通过配置工具链、编译PX4源码、启动Gazebo仿真,并结合QGroundControl地面站实现数据交互,同时利用Qt Creator进行源码级断点调试,构成了完整的开发闭环。这种环境不仅支持虚拟飞行测试,也为接入真实硬件铺平道路。本文从工具链原理出发,详细梳理Ubuntu 18.04上PX4开发环境的搭建步骤

weixin_34364071的博客 374

从零搭建无人机仿真环境:我用XTDrone+PX4在Ubuntu20.04上踩过的那些坑

本文详细记录了在Ubuntu20.04系统上搭建XTDrone+PX4无人机仿真环境的实战经验,揭示了七个常见陷阱及其解决方案。从系统版本选择、依赖安装到环境变量配置,作者分享了如何避免Gazebo版本冲突、PX4依赖套娃等问题,帮助开发者高效完成仿真环境搭建。

程涛 508

PX4运行报错解决[代码]

文章详细介绍了在运行PX4的make px4_sitl_default gazebo命令时遇到的报错问题及其解决方法。主要问题源于依赖安装在base环境下而非系统环境,通过退出base环境并正确安装依赖(如使用pip3安装packaging、numpy等包,以及通过sudo apt安装ROS相关包)后,成功解决了报错问题。此外,还提到了使用鱼香ROS安装rosdep的步骤,以及克隆PX4-Autopilot仓库并切换到指定分支的操作。最终,make px4_sitl_default gazebo命令得以成功运行。

基于Agent与大模型的性能测试脚本自动化生成实践

性能测试是软件质量保障的关键环节,其核心在于模拟真实用户负载以评估系统在高并发下的表现。传统脚本编写依赖人工,效率低下且易出错。通过引入智能体(Agent)与大语言模型(LLM)技术,可实现从自然语言描述或接口文档到可执行脚本的自动化转换。Agent负责任务规划与工具调用,LLM则提供强大的意图理解与代码生成能力,二者结合能精准解析测试场景、自动处理参数化与接口关联等复杂逻辑。该技术方案显著提升了脚本生成效率与准确性,尤其适用于持续集成、海量接口回归等需要快速构建测试场景的工程实践。本文以JMeter和Lo

weixin_28718769的博客 262

ROS Melodic+Gazebo+PX4:Ubuntu 18.04 无人机仿真环境搭建指南

机器人操作系统(ROS)是机器人开发领域的事实标准,而软件在环仿真(SITL)让飞控算法无需实体硬件即可在虚拟环境中运行验证。这一机制能极大降低无人机、无人车及智能机器人的研发门槛,加速算法迭代与场景测试。在实际工程中,开发环境的搭建往往成为入门的第一道障碍,尤其是版本匹配与依赖管理。基于Ubuntu 18.04与ROS Melodic的组合,可构建一套稳定成熟的PX4与Gazebo联合仿真平台,实现从固件编译、模型加载到MAVROS通信的完整链路。这套环境不仅适合PX4二次开发、Offboard控制验证,

weixin_34320159的博客 568

Sigrity IBIS建模实战:如何用T2B工具快速转换SPICE模型(附避坑指南)

本文详细介绍了如何使用Sigrity T2B工具将SPICE模型高效转换为IBIS模型,涵盖从环境配置、模型预处理到转换流程和验证策略的全过程。通过实战案例和避坑指南,帮助硬件工程师掌握高速电路设计中的IBIS建模技术,提升信号完整性分析效率。

weixin_29243279的博客 401

Ubuntu 18.04 搭建 ROS Melodic + Gazebo + PX4 无人机仿真环境全攻略

无人机仿真开发首先需要理清操作系统、ROS 与 Gazebo 之间的版本匹配关系。Ubuntu 18.04 对应 ROS Melodic,而 Melodic 自带 Gazebo 9,这一组合与 PX4 1.12.3 固件的 SITL 仿真链路经过大量项目验证,生态成熟且踩坑资料丰富,是复现论文和进行 PX4 二次开发的稳妥起点。借助 Gazebo 提供的传感器仿真和 PX4 SITL 的飞控逻辑,开发者可以在没有实体硬件的情况下完成算法验证、路径规划和视觉感知等任务。本文从系统配置、依赖安装、ROS Mel

weixin_33755557的博客 370

VC Spyglass CDC实战:从TCL脚本到SDC约束的完整避坑指南

本文是一份针对数字IC验证工程师的VC Spyglass CDC实战指南。文章详细阐述了从TCL脚本环境搭建、SDC约束编写到典型CDC违规(如SETUP_PORT_UNCONSTRAINED)诊断与修复的完整流程,旨在帮助读者高效避坑,深入理解工具逻辑,从而完成可靠的时钟域交叉验证。

go5gopher的博客 386

适航文章汇总:知识体系全面梳理

无论您是行业新手还是经验丰富的专业人士,都可以通过本篇文章快速查找相关资料,提高对适航认证、机载系统、软件及硬件等领域的理解。本部分详细解析ARP 4754A、ARP 4761、DO-178C、DO-254等核心标准,并介绍其在机载系统开发中的应用。介绍FAA、EASA、CCAR等主要航空管理机构的适航规章体系,并说明各类飞行器(如固定翼、旋翼机、无人机等)的适航要求。本部分还探讨硬件设计、验证与确认过程中的挑战。从系统架构设计到机载设备的集成与管理,本部分介绍机载系统的研发体系及适航管理的最佳实践。

qq_41854911的博客 1454

PX4仿真环境搭建全攻略:从Gazebo到MAVROS的完整实践指南

无人机开发中,软件在环仿真(SITL)是验证飞控逻辑与算法的高效手段,而PX4作为开源飞控的代表,其仿真环境搭建涉及Gazebo物理引擎、MAVLink通信协议、QGroundControl地面站及MAVROS桥接等多个环节。理解“固件进程-仿真器-地面站”三者间的数据流向,是避免反复踩坑的关键。本文从环境依赖、版本选型、源码编译等基础概念出发,梳理一套可复用的搭建流程,并针对编译报错、模型加载失败、端口连接异常等高频问题给出定位思路。通过掌握环境变量配置、UDP端口映射和子模块管理等方法,开发者可以快速建

weixin_34025051的博客 384

开源3D激光SLAM算法的异同点、优劣势与适配场景总结

本文对比分析了主流开源3D激光SLAM方案的核心差异与适用场景。LOAM架构简洁但精度较低;LeGO-LOAM轻量化适合地面机器人;LIO-SAM采用因子图优化支持多传感器融合;LVI-SAM通过视觉-激光-惯性三重冗余提升鲁棒性;FAST-LIO系列基于滤波架构实现超高实时性。选型需权衡传感器配置(纯激光/激光+IMU/激光+视觉)、运动状态(高速/常规)、计算资源等因素:资源受限选LeGO-LOAM或Faster-LIO,高速运动选FAST-LIO系列,退化环境选LVI-SAM,全局一致性需求选LIO-

Studying…… 651

Ubuntu 20.04 下 PX4 开发环境搭建:从源码编译到 QT 与 VSCode 配置

在无人机二次开发中,PX4 开源飞控固件的本地编译与仿真环境搭建是核心基础。其原理涉及交叉编译工具链、子模块依赖管理及硬件抽象层配置,技术价值在于实现从算法验证到硬件部署的闭环。典型应用场景包括 Pixhawk 系列飞控的固件定制、Gazebo 软件在环仿真以及基于扩展卡尔曼滤波的姿态估计开发。然而,开发者常面临子模块未初始化、QT 库版本冲突及串口权限缺失等工程问题。本文围绕 Ubuntu 20.04 长期支持版,系统梳理从系统准备、源码拉取、工具链编译到 QT 与 VSCode 配置的完整流程,帮助开发

weixin_34275734的博客 427

Xilinx系ZYNQ学习笔记(一)Vivado使用说明

vivado使用学习

贾saisai的博客 1877

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

机器学习深度学习业余选手 1002

Ubuntu 22.04下ROS2与PX4仿真环境搭建实战

ROS2作为新一代机器人开发框架,为分布式系统提供了灵活通信机制;PX4则是开源无人机飞控领域的核心固件。理解ROS2与PX4通过uXRCE-DDS桥接实现高效数据交互,是构建无人机仿真系统的关键。在Ubuntu 22.04上搭建ROS2 Humble与PX4仿真环境,能够实现Gazebo中无人机起飞、位姿订阅与控制指令下发,为SLAM导航、集群协同及算法验证提供零成本试验场。以工程实践为导向,从版本匹配、依赖安装到通信桥接,逐步解析环境搭建全流程,并给出常见踩坑点与性能优化技巧。无论你是入门ROS2开发,

weixin_34129696的博客 263

Arduino与震动马达模块握手

震动马达模块采用采用高品质手机震动马达,适用于震动感互动产品的制作,可穿戴智能设备震动提醒,适合作为非可听指示器的小型振动马达。当输入为高电平时电动机会震动,就像你的静音模式的手机一样。

vor234的博客 5849

PX4开发环境搭建:Ubuntu 18.04+QGC+Qt Creator实战指南

无人机飞控开发中,环境配置往往比算法本身更消耗精力。软件在环仿真(SITL)是理解飞控原理、调试控制逻辑的关键技术,它允许开发者在不依赖实体硬件的情况下运行完整PX4固件。地面站(QGC)则承担着飞行状态监控、参数调整和日志分析的核心角色,而Qt Creator作为跨平台IDE,为大型CMake工程提供了直观的代码导航与调试能力。将三者整合于Ubuntu 18.04系统,能够构建一套从编译、仿真到代码开发的完整工作流,适用于新手入门、算法验证及功能评估等场景。本文基于长期实践,详述依赖安装、固件编译、仿真联

weixin_33913332的博客 416

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")

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

PX4 SITL仿真环境全栈解析:从UDP通信到uORB调度的硬核实践

PX4 SITL(Software-in-the-Loop)是无人机飞控开发的核心仿真范式,其本质是将真实飞控固件在Linux用户态以实时进程方式运行,通过MAVLink协议与Gazebo物理引擎、QGroundControl地面站构成松耦合分布式系统。理解其底层原理需穿透UDP端口绑定、IPv6兼容性、POSIX实时调度(SCHED_FIFO)、uORB零拷贝共享内存等关键技术环节。该架构不仅支撑算法验证与硬件在环测试,更广泛应用于ROS2机器人控制、自主导航系统集成及嵌入式实时系统教学。本文聚焦Ubun

weixin_30843605的博客 319

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: SAP MTS计划策略40实战:如何配置‘带最终组装的计划‘提升定制化生产效率
下一篇: 从零开始理解C++的peek()函数:一个简单例子教会你如何避免输入错误
ruby5
博客等级 码龄15年 29粉丝 893原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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