AirSim无人机仿真入门(一):实现无人机的起飞与降落

AirSim无人机仿真入门(一):实现无人机的起飞与降落
概述: 安装好所需要的软件和环境,通过python代码控制无人机进行起飞和降落。

参考资料:
1、知乎宁子安大佬的AirSim教程(文字教程,方便复制)
2、B站瑜瑾玉大佬的30天RL无人机仿真教程(视频教程,方便理解)
3、AirSim官方手册(资料很全,不过是纯英文的)

AirSim无人机仿真入门(一):实现无人机的起飞与降落

1 安装AirSim

1.1 参考教程

宁子安教程:(解密AirSim-初稿)第一章:初识AirSim

1.2 内容梳理

Epic Games是一家游戏公司,就像“腾讯游戏”或者“网易游戏”一样。Unreal Engine(简称UE)是 Epic Games 开发的一款游戏引擎。AirSim 是基于 Unreal Engine开发的一个模拟器,它主要用来模拟无人机(Drone)和自动驾驶汽车的运行环境。

1.3 步骤总结

以下仅是我个人的步骤总结,建议按照以上宁子安的“初识AirSim”教程一步一步安装。

  1. 安装Epic平台: 记得注册账号
  2. 下载UE: 点击Epic平台左边的 “虚幻引擎” 菜单,“库” 里面有不同的虚幻引擎版本,选择4.27.2版本进行安装,这个版本比较适配AirSim。
  3. 安装VS commuty2022: 记得勾选“C++桌面开发” “Windows 10 SDK 10.0.19041”,并在“单个组件”选项卡下选择最新的“.NET Framework SDK”
  4. 安装git bash工具
  5. 克隆AirSim工程: 进自己要安装AirSim的磁盘,git clone。进入目录build.cmd。编译好之后会在 “AirSim\Unreal” 文件夹中生成 “Plugins” 文件夹。这个 “Plugins” 文件夹非常重要。

检验虚拟引擎和AirSim是否安装成功: 使用AirSim自带的Block环境进行测试。

在这里插入图片描述


至此,AirSim 全部安装完成,下面可以直接使用 AirSim 做仿真了。

2 开始使用 AirSim

2.1 参考教程

宁子安教程:(解密AirSim-初稿)第二章:开始使用 AirSim

2.2 内容梳理

从虚幻商城选择一个场景创建工程,把AirSim作为插件导入这个工程中。

2.3 步骤总结

  1. 创建工程: 从虚幻商城中找到场景,创建工程,得到.uproject文件。
  2. 新建C++类: 双击.uproject文件进入关卡编辑器,新建C++类,等待编译完成(这一步耗时较长,而且要关注VS2022的左下角的编译进度),得到.sln文件,至此 “山脉景观” 场景工程创建完成。
  3. 添加AirSim插件: 复制“AirSim\Unreal\Plugins” 文件夹到“LandscapeMountains” 文件夹中。
  4. 修改文件: 修改 “LandscapeMountain.uproject”
    文件,修改“LandscapeMountains\Config\DefaultGame.ini” 文件。
  5. 创建VS工程: 右键点击 “LandscapeMountains.uproject” 文件,选择 “Generate Visual Studio project files” 选项,会生成 “.sln” 工程文件。
  6. 改成多旋翼模式: 把settings.json文件中的仿真模式改为多旋翼。
{"SettingsVersion":1.2, "SimMode":"Multirotor"}
  1. 进入工程: 双击打开 “LandscapeMountains.sln”,设置编译选项为 “DebugGame Editor” 和“Win64”,同时将 “LandscapeMountains” 设为启动项,点击 “调试” -> “开始调试”,或者直接点击 “本地Windows调试器”,这时会自动打开虚幻引擎的关卡编辑器。此时,虚幻引擎编辑器右下角出现了“新插件可用”的提示,说明虚幻引擎已经能够识别到AirSim 插件了。
  2. 设置游戏模式为AirSim: 在关卡编辑器中,将右侧 “世界场景设置” 中的 “游戏模式重载” 设置为“AirSimGameMode”,点击 “保存当前关卡”。
  3. 运行: 点击绿色三角开始仿真
在这里插入图片描述


至此 AirSim 插件已经加载到虚幻引擎场景工程中了。

3 撰写python控制程序

3.1 参考教程

宁子安教程:airsim详细教程(四) - 控制四旋翼起飞和降落(airsim api)

3.2 内容梳理

安装好python的运行环境,主要使用conda虚拟环境的python解释器,pycharm充当编辑器的作用。使用AirSim官方提供的python API,与无人机建立联系,控制无人机的起飞和降落。

3.3 步骤总结

  1. 安装Anaconda并创建环境: 创建虚拟环境,并在该环境中安装必需的包
 pip install msgpack-rpc-python pip install airsim 
  1. 安装pycharm: 安装了社区版,是免费的,目前功能够用。
  2. 创建工程: pycharm中创建一个新的python工程,解释器选择上面新建的conda环境中的python解释器:conda的安装路径\envs\airsim\python.exe
  3. 创建python文件: 在新建的python工程中新建一个python File,将下面的代码复制进去:
import airsim ​ # 与 AirSim 仿真器建立连接,并且返回句柄 client = airsim.MultirotorClient() client.confirmConnection() ​ # 获得控制权 client.enableApiControl(True) ​ # 解锁无人机 client.armDisarm(True) ​ # Async函数在执行的时候会立即返回.此时有可能任务还没执行完。在后面加上.join(),就可以让当前函数执行完才执行下一行 client.takeoffAsync().join() client.landAsync().join() ​ # 上锁 client.armDisarm(False)# 释放控制权 client.enableApiControl(False)

python与AirSim的通信机制: AirSim API 使用的是 TCP/IP 中的 msgpack-rpc 协议,可以用两台不同的电脑来做仿真,一台跑 AirSim 和 Unreal(仿真),另一台跑 python程序(算法)。当 AirSim 开始仿真的时候,会打开 41451 端口,并监听这个端口的需求。python 程序使用 msgpack serialization 格式向这个端口发送 RPC 包,就可以与AirSim进行通信了。如果41451 端口已经被其他程序使用了,那么可以通过 settings 文件改变AirSim使用的端口号。使用这种网络通信协议的方式,可以将 AirSim 和 python程序隔离,互不干扰。所以不需要修改 AirSim 的任何源代码,就可以满足非常多的仿真需求;而且即使python程序中断了,AirSim 的仿真也可以继续进行。示例:一台跑仿真,一台跑python程序

server_ip ="192.168.0.10"# 示例 IP 地址 port =41451 client = airsim.MultirotorClient(ip=server_ip, port=port)

运行代码: 在右上角点击绿色三角形运行python程序,仿真中的四旋翼会先起飞到一定高度,然后降落。

在这里插入图片描述

4 注意事项

问题: 我发现进行仿真的时候,我的UE界面没有显示三个摄像头的画面,跟原教程截图的不一样。

在这里插入图片描述

解决方法: 修改settings.json 文件打开无人机的三个摄像头窗口

"SubWindows":[{"WindowID":0, "ImageType":0, "CameraName":"front_center", "Visible": true}, {"WindowID":1, "ImageType":3, "CameraName":"front_center", "Visible": true}, {"WindowID":2, "ImageType":5, "CameraName":"front_center", "Visible": true}]

其中,ImageType 的值表示图像类型:

在这里插入图片描述


CameraName的值表示是哪一个相机:

在这里插入图片描述


在这里插入图片描述

至此,AirSim 环境已成功安装,并实现了使用 Python 程序控制无人机的功能。这可以视作 AirSim 入门的“Hello World”示例,后续的算法迁移正在进行中…

Read more

Unsloth LLaMA Factory 大语言模型微调工具对比比较 主打极致速度与显存优化*适合单卡/少卡快速迭代 代码/低代码、全场景、多模型兼容**

Unsloth 主打极致速度与显存优化,适合单卡/少卡快速迭代;LLaMA Factory 主打零代码/低代码、全场景、多模型兼容,适合新手与企业级一站式微调。下面从核心定位、性能、功能、上手、适用场景等维度详细对比。 一、核心定位与本质区别 维度UnslothLLaMA Factory核心定位单卡/少卡微调加速引擎,专注性能优化一站式微调平台,全流程、全场景、低门槛设计理念用底层算子优化(Triton)榨干GPU性能封装复杂流程,降低使用门槛,覆盖全训练范式与HF关系兼容HF生态,是加速插件(可嵌入其他框架)基于HF生态构建,是完整训练框架开源协议Apache-2.0Apache-2.0 二、性能对比(单卡场景) 指标UnslothLLaMA Factory训练速度比标准HF快 2–5倍(核心优势)接近标准HF,比Unsloth慢显存占用降低 50%–80%(QLoRA下更明显)降低 ~70%

OpenClaw多智能体路由实战:飞书多机器人配置指南

文章目录 * 飞书重新安装问题 * 批量增加机器人 * 缺点 * 多个飞书机器人名称包含大小写的问题 * 多个Agent名称包含大小写的问题 目前我已经完成了OpenClaw的基本安装,但是在对话框只有一个,机器人也只绑定到主会话,一次只能处理一个消息。很多时候我在聊天窗口,说A任务,然后做了一半,又发了关于B任务的指令。一是每次发完消息,如果OpenClaw还在处理,剩下的消息要么进入队列、要么看不到(实际还在队列)。两个任务切来切去,感觉体验很不好。 要彻底解决这个问题,实现网上演示的那种对各Agent、每个对话机器人对应一个Agent,就需要用到多智能体路由技术。 实现的步骤如下: * 在飞书创建一个新的机器人 * 通过控制台创建新的智能体 * 按照指引将飞书配置上去 * 根据需要创建多个Agent和机器人,并对应配置上去(略) 飞书重新安装问题 明明我已经安装好了飞书,系统还是会提示我安装,否则就跳过了添加飞书这步。应该是系统Bug。这次安装的飞书位置在~/.openclaw/extensions/feishu,其实和~/.npm-globa

GitHub Copilot代码建议安全检测:Qwen3Guard-Gen-8B联动方案

GitHub Copilot代码建议安全检测:Qwen3Guard-Gen-8B联动方案 在现代软件开发中,AI编程助手的普及正以前所未有的速度改变着编码方式。GitHub Copilot 已成为众多开发者日常工具链的一部分,它能根据上下文自动生成函数体、补全逻辑甚至实现完整模块。然而,这种“智能推荐”并非没有代价——当模型建议了一段看似合理实则存在SQL注入漏洞的代码时,问题就不再是效率提升,而是安全隐患的悄然埋入。 更复杂的是,这类风险往往隐藏在语义层面:一段代码语法正确、功能可用,却因使用了不安全的API或错误的数据处理方式而构成威胁。传统的基于规则的安全扫描工具对此类问题束手无策——它们擅长匹配已知模式(如rm -rf /),但难以理解“为什么拼接SQL字符串是危险的”。这正是生成式安全模型的价值所在。 阿里云推出的 Qwen3Guard-Gen-8B 并非另一个通用大模型,而是一个专为内容安全审核设计的“判官型”AI。它的核心任务不是创作,而是审视;不是输出代码,而是判断哪段代码不该被输出。通过将安全决策转化为自然语言生成任务,它实现了从“是否违规”到“为何违规”的跃迁

4步创作革命!WAN2.2极速视频AI重新定义AIGC视频生产流程

4步创作革命!WAN2.2极速视频AI重新定义AIGC视频生产流程 【免费下载链接】WAN2.2-14B-Rapid-AllInOne 项目地址: https://ai.gitcode.com/hf_mirrors/Phr00t/WAN2.2-14B-Rapid-AllInOne 价值定位:打破专业壁垒的视频创作新范式 在AIGC视频生成领域,创作者长期面临"三高困境":技术门槛高、硬件要求高、时间成本高。传统工作流往往需要串联文本理解、图像生成、视频插值等多个模型,仅模型加载就需消耗数分钟,且80%以上的失败案例源于模型组合不当。WAN2.2-14B-Rapid-AllInOne(简称WAN2.2极速视频AI)以"一体化模型架构"直击行业痛点,将原本需要10+步骤的创作流程压缩至4个核心环节,在8GB显存设备上实现每分钟视频内容的高效生成。 这款由Phr00t团队开发的开源模型,通过"MEGA Merge"