Elrs 接收机 设置 Express LRS

学习链接https://www.expresslrs.org/2.0/quick-start/getting-started/

接收机绑定遥控器

无绑定密码    (注意:注意:如RX 固件有绑定短语密码,RX 将永远不会进入无密码绑定模式)
    关闭发射机/无线电。
    重新启动接收器 3 次(拔下-重新插入 LiPo)。确保 LED 快速闪烁两次,这表明接收器处于绑定模式。
    打开您的发射器/无线电并使用 ExpressLRS Lua 脚本上的 [BIND] 按钮,它会发出一个绑定脉冲。
    如果接收器的 LED 变成常亮的灯,它就被绑定了!
    
有绑定密码
    有相同绑定密码的接收机和遥控器自动对频,啥也不同干

接收机升级

方法一:接收机开热点更新固件(用于已刷了elrs的)
    给接收机通电(遥控器关机),30s接收机没有与遥控器连接就会自己打开WiFi
    接入点称为ExpressLRS TX Module,密码为expresslrs  通过wifi刷入固件 (固件上传页面通常为http://10.0.0.1)

    下载固件配置器连接https://github.com/ExpressLRS/ExpressLRS-Configurator/releases
    可能国内网络更新不了,所以下载完配置器还要手动下载源码给配置器,下面是固件源码下载地址
    https://github.com/ExpressLRS/ExpressLRS/releases/
    配置器选择LOCAL(本地)选择解压后的源码的src目录
    配置器选择flashing method(wifi);(build)

方法二:接收机连入路由器更新固件(用于已刷了elrs的)
    与方法一相同,不同只是上传页面地址不同http://elrs_rx.local

方法三:线刷(用于第一次刷elrs)
    通过飞控给接收机刷固件
        飞控连接接收机,飞控通电前接收机按住boot键(这时接收机led常亮),配置器选择flashing method(betaflightpassthrough);(build&flash)
    通过ttl刷接收机
        通电前接收机按住boot键(这时接收机led常亮),配置器选择flashing method(uart);(build&flash)

接收器单色 LED 状态

慢闪 500ms 开/关	    等待来自发射器的连接
快速闪烁 25ms 开/关	    启用 WiFi 模式
中速闪烁 100ms 开/关	未检测到无线电芯片
两次闪烁然后暂停	    绑定模式已启用
三次闪烁然后暂停	    已连接到变送器但型号匹配配置不匹配
常亮	                连接到发送器,或启用引导加载程序模式

接收器RGB LED 状态

彩虹渐变效果	        启动
绿色心跳	            启用网络更新模式
慢闪 500ms 开/关	    等待来自发射器的连接
红色闪烁 100ms 开/关	未检测到无线电芯片
橙色 双闪然后暂停	     绑定模式已启用
橙色三次闪烁然后暂停	 已连接到变送器但型号匹配配置不匹配
纯色单色	            连接到发射器,颜色表示数据包速率
  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LRS2模型是一个用于语音到文本转换的深度学习模型,它由多个卷积神经网络和循环神经网络组成。如果您想自定义训练LRS2模型,您需要进行以下步骤: 1. 数据收集:您需要收集大量的语音数据,并为每个语音文件创建相应的文字注释,以便训练模型。您可以使用开源的语音数据集,如LibriSpeech或Mozilla Common Voice,或者自己创建数据集。 2. 数据预处理:在训练LRS2模型之前,您需要对数据进行预处理,以便模型可以正确地学习。这包括将语音文件转换为数字表示形式,例如MFCC或Mel-spectrogram,并将注释转换为标签序列。 3. 构建模型:您需要使用深度学习框架(例如TensorFlow或PyTorch)构建LRS2模型。该模型可以包括卷积神经网络(用于提取语音特征)和循环神经网络(用于学习序列模式)等组件。您可以使用现有的模型架构,也可以根据自己的需求设计自己的模型。 4. 训练模型:一旦您构建了LRS2模型,您需要使用收集的数据对其进行训练。训练期间,您需要定义损失函数和优化,并使用反向传播算法更新模型参数。您还需要选择正确的超参数(例如学习率和批量大小)以获得最佳性能。 5. 模型评估:在训练完成后,您需要对模型进行评估,以确定其性能。您可以使用测试数据集来评估模型的准确性,并使用不同的指标(例如WER和CER)来度量其性能。 6. 模型部署:一旦您满意LRS2模型的性能,您可以将其部署到生产环境中。这可以涉及将模型打包为API或Web服务,并将其集成到您的应用程序中。 需要注意的是,自定义训练LRS2模型需要大量的时间、计算资源和专业知识。如果您没有足够的经验,最好从现有的模型和数据集开始,并逐步调整它们以满足自己的需求。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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