无人机地面站QGC的安装(ubuntu20.04)

无人机地面站QGC的安装(ubuntu20.04)

1.安装依赖

使用以下命令:

sudo usermod -a -G dialout $USER sudo apt-get remove modemmanager -y sudo apt install gstreamer1.0-plugins-bad gstreamer1.0-libav gstreamer1.0-gl -y sudo apt install libfuse2 -y sudo apt install libxcb-xinerama0 libxkbcommon-x11-0 libxcb-cursor0 -y

2.下载安装包

可以直接去官网下载,链接地址:https://docs.qgroundcontrol.com/master/en/qgc-user-guide/getting_started/download_and_install.html

或者使用网盘提供的安装包:

链接: https://pan.baidu.com/s/1repLyfhynSfh_rwJuwSKYg?pwd=h5mi 提取码: h5mi

下载后改个名称:

mv QGroundControl.appimage QGroundControl.AppImage

3.安装

默认安装包下载到Downloads下面的。

cd ~/Downloads/ chmod +x QGroundControl.AppImage ./QGroundControl.AppImage

4问题

如果QGC打开一直不显示地图或者为白,可能的原因就是因为网络原因,导致地图数据下载失败。

直接下载我提供的安装数据

链接: https://pan.baidu.com/s/1PL5dz9UN92Hwl6jan4TGJg?pwd=42xj 提取码: 42xj 下载后直接解压。

执行命令

rm -rf ~/.cache/QGCMapCache300 cp -r ./QGCMapCache300 ~/.cache/

再次运行QGroundControl.AppImage,就能运行成功。

参考来源:https://blog.ZEEKLOG.net/weixin_55944949/article/details/130895363

Read more

AI员工——OpenCode、OpenClaw+Ollama的安装与配置

AI员工——OpenCode、OpenClaw+Ollama的安装与配置

人工智能(AI)相关的知识内容解析https://coffeemilk.blog.ZEEKLOG.net/article/details/158647749?spm=1001.2014.3001.5502 一、OpenCode的介绍与安装配置  1.1、OpenCode介绍 OpenCode的介绍序号Opencode介绍说明1opencode是什么OpenCode是一款开源AI编码代理工具,可在终端(TUI)、桌面应用和 IDE扩展中使用,支持多种大语言模型、上下文感知,主打隐私优先。2opencode的定位 《1》不是IDE插件,而是独立智能体(Agent),可理解上下文,规划任务、执行代码修改并验证结果。 《2》不是大语言模型本身,而是模型调度层,支持75+的大语言模型提供商(如:Claude、GPT、Gemini、本地的Llama、Qwen等)。 《3》采用MIT协议开源,社区活跃。

架构大揭秘:单 Agent vs. 多 Agent,你的 AI 团队该怎么组建?

架构大揭秘:单 Agent vs. 多 Agent,你的 AI 团队该怎么组建?

架构大揭秘:单 Agent vs. 多 Agent,你的 AI 团队该怎么组建? 文章目录 * 架构大揭秘:单 Agent vs. 多 Agent,你的 AI 团队该怎么组建? * 前言:AI 世界的“单打独斗”与“团队协作” * 一、专业解读:Agent 的“独行侠”与“群英会” * 1.1 单 Agent:披荆斩棘的“全能战士” * 1.2 多 Agent:分工协作的“梦之队” * 1.3 核心对比:单 Agent vs.

从Prompt到成片仅需2.3秒,Seedance 2.0如何重构AIGC工作流?——头部客户实测ROI提升340%,但90%团队尚未启用映射热更新模式

第一章:Seedance 2.0语义理解与视频生成映射的技术本质 Seedance 2.0 的核心突破在于将自然语言语义空间与高保真视频表征空间建立可微、对齐且可泛化的双向映射。该映射并非简单地将文本嵌入向量输入扩散模型,而是通过分层语义解耦机制,在动词时态、空间关系、主体属性、镜头运动四个正交维度上构建结构化语义图谱,并驱动时空潜在变量的协同演化。 语义解析的层级化建模 系统首先调用轻量级语义角色标注(SRL)模块提取谓词-论元结构,继而通过多头跨模态注意力对齐视觉先验知识库(如 Kinetics-700 动作本体与 COCO-Spatial 关系图谱)。该过程确保“她缓缓旋转并伸展手臂”被分解为: * 主语:“她” → 对应人体姿态关键点拓扑约束 * 动作序列:“旋转”(轴向角速度)、“伸展”(关节角度增量)→ 驱动运动轨迹生成器 * 副词修饰:“缓缓” → 映射至帧间光流平滑度损失权重 视频生成的隐空间对齐策略 Seedance 2.0 引入语义-视觉对比学习(SVCL)损失,强制文本编码器输出与视频潜在码(来自

开发者实操手册:Qwen3-Embedding-4B + llama.cpp部署教程

开发者实操手册:Qwen3-Embedding-4B + llama.cpp部署教程 1. 引言 随着大模型在语义理解、信息检索和知识管理等场景的广泛应用,高质量的文本向量化能力成为构建智能系统的核心基础。通义千问团队于2025年8月开源了 Qwen3-Embedding-4B ——一款专为高效文本嵌入设计的中等规模双塔模型。该模型以4B参数量实现了对32k长文本的支持,输出2560维高精度向量,并在MTEB多项基准测试中超越同尺寸模型。 本文将围绕 Qwen3-Embedding-4B 的本地化部署实践展开,重点介绍如何结合 llama.cpp 和 vLLM + Open WebUI 构建一个可交互、高性能的知识库服务系统。无论你是想在消费级显卡(如RTX 3060)上运行语义搜索,还是希望搭建支持多语言、长文档的企业级知识引擎,本教程都能提供完整可落地的技术路径。 2. Qwen3-Embedding-4B 模型特性解析 2.1 核心架构与技术亮点 Qwen3-Embedding-4B 是阿里云 Qwen3 系列中专注于「文本向量化」任务的专用模型,采用标准的 De