1.ROS学习笔记@ROS安装
2.ROS 2中发布和可视化传感器数据实战系列之四:kitti公开数据集IMU数据的源码发布及在RViz2中的显示
3.ROS博客基于ROS的自动驾驶数据集可视化项目(附源代码)
4.cartographer_ros定位功能位姿获取与重定位设置
5.hdl_graph_slam|后端优化|hdl_graph_slam_nodelet.cpp|源码解读(四)
6.开源科学工程技术软件介绍 – 点云处理软件CloudCompare
ROS学习笔记@ROS安装
安装ROS的步骤如下:
首先,检查CMake版本是分析否已安装,若有新版本的源码Cmake,可稍后再安装。分析若未安装,源码则在安装ROS后安装所需版本的分析织梦坊游戏插件站源码Cmake。
接着,源码确认Ubuntu安装的分析ROS版本。对于Ubuntu .,源码对应的分析是RS Melodic版本,需避免误安装其他版本。源码参考ROS官网查看其他对应版本。分析
安装步骤如下:
在安装前,源码确保Ubuntu软件和更新源已检查并更新。分析推荐更换为国内源以提高速度,源码例如阿里云、清华或中科大。
添加ROS软件源,使用终端输入相应命令。
设置ROS安装密钥,使用apt-key命令,同时检查软件包密钥。
更新Ubuntu软件源,使用终端输入命令。
安装ROS桌面完整版,输入终端命令,安装包括ROS、rqt、rviz和机器人通用库在内的内容。选择桌面安装或ROS-Base安装。
为安装特定ROS软件包,替换下划线为软件包名称的破折号,并使用命令查找可用包。
设置ROS环境变量,使用终端命令。若要自动添加到当前bash会话,可输入相应命令。对于zsh用户,需运行不同命令。exe返源码
安装ROS工具,使用命令执行。
在使用ROS工具前,初始化rosdep,使用终端命令。若遇到从国外网站raw.githubusercontent.com拉取信息导致错误,可修改/etc/hosts和/etc/resolv.conf文件。
更新rosdep,使用终端命令。遇到更新超时错误时,可尝试多次执行或本地更新以解决。
运行小海龟和rviz检查安装情况,使用roscore启动ROS核心,然后运行turtlesim_node和turtle_teleop_key控制小海龟,最后启动rviz检查高级功能。
至此,Ubuntu .的ROS安装过程结束。源码安装内容将在后续研究。
ROS 2中发布和可视化传感器数据实战系列之四:kitti公开数据集IMU数据的发布及在RViz2中的显示
在ROS 2中发布和可视化传感器数据实战系列之四:kitti公开数据集IMU数据的发布及在RViz2中的显示
本文将指导您如何在ROS 2中发布kitti公开数据集的IMU数据,并在RViz2中进行可视化显示。在ROS 2中,RViz2默认不支持IMU数据的可视化。因此,我们将通过添加Github网站上的imu_tools开源存储库中的rviz_imu_plugin插件软件包,将IMU数据中的线性加速度、角速度、方位等数据在RViz2中进行可视化显示。以下是详细步骤:
1. **发布IMU数据**:使用Python编写一个ROS 2发布者节点,读取kitti数据集中oxts/data子目录中的.txt文件,从中提取方位、角速度和线性加速度数据,转换为sensor_msgs/Imu消息类型进行发布。确保在发布消息时仅包含方位、角速度和线性加速度数据及其协方差矩阵。
2. **安装rviz_imu_plugin插件**:从imu_tools存储库中获取rviz_imu_plugin插件,按照自述文档中的指示进行二进制包安装或源代码编译安装,并设置环境变量。
3. **在RViz2中显示IMU数据**:在RViz2中添加(rviz_imu_plugin)插件后,读取硬盘源码可以将发布到话题上的IMU消息数据进行可视化显示。
注意,RViz2在ROS 2中对于IMU消息的直接支持不足,因此需要通过上述步骤进行自定义配置。通过这些步骤,您可以有效地在RViz2中展示kitti数据集中的IMU数据。
**IMU简介**:
- IMU(Inertial Measurement Unit)是测量物体三轴角速度和加速度的设备,内部包含三轴陀螺仪和三轴加速度计。
- IMU数据包含线性加速度、角速度、方位等信息,可用于自动驾驶、机器人和工业自动化等领域。
- IMU传感器在定位领域的地位不容忽视,尤其与全球导航卫星系统(GNSS)结合使用时,能提供高度准确的定位信息。
**IMU在ROS 2中的应用**:
- ROS 2中发布IMU数据并利用rviz_imu_plugin插件进行可视化显示,是实现自动驾驶、机器人应用中定位与姿态控制的关键步骤。
- 本文通过具体示例和代码指导,帮助开发者在ROS 2环境中实现IMU数据的发布与可视化,为相关应用提供技术支持。
**总结**:
- 通过本实战系列之四,您将掌握如何在ROS 2中发布kitti公开数据集的IMU数据,并在RViz2中进行可视化显示。
- 了解IMU及其在ROS 2中的应用,对于自动驾驶、机器人和工业自动化领域的开发人员而言,是一次宝贵的学习经验。
ROS博客基于ROS的自动驾驶数据集可视化项目(附源代码)
项目简介
基于加州大学伯克利分校 MSC Lab的自动驾驶数据集,本项目旨在进行数据集的可视化。项目源代码已上传至 GitHub,英文版文章与演示视频也已准备就绪。
数据集展示
左侧展示了GPS信号的可视化,通过 Mapviz 工具,将行驶过程中走过的路径显示出来,左上角则呈现了车前摄像头的视角。右侧是android hybrid源码自定义的可视化,利用绿色代表 y 轴正方向,蓝色表示 x 轴正方向。紫色圆点表示汽车行驶过程中各个方向的加速度信息,天蓝色箭头指示汽车前进方向,绿色则代表不同强度的加速度。
问题与解决方案
在使用 Mapviz 可视化 GPS 信号时,遇到了数据格式不匹配的问题。通过在自定义的 package 中编写 `trans_GPS.cpp` 文件,成功实现了数据格式转换,解决了数据可视化的问题。同时,还撰写了关于 Mapviz 的基础使用教程。
加速度信息的可视化涉及确定坐标轴方向、避免信息跳动以及直观显示加速度大小。通过在 RVIZ 中绘制 x 和 y 轴,并使用平滑器处理频繁读取的 IMU 数据,成功解决了这些问题。极坐标系的引入使得加速度大小的显示更为直观。
汽车前进方向的可视化涉及到姿态信息的获取与 RVIZ 显示角度的调整。通过分析 IMU 的 orientation 数据,并设置 marker 的 orientation 值,实现了方向的正确显示。
相机信息的可视化面临格式转换问题。通过使用 `image_transport` 包装解决了传感器数据格式不兼容的问题。
总结
在本项目中,通过学习与实践 ROS 相关知识,成功实现了自动驾驶数据集的可视化。接下来,将集中精力深入学习 OSM 的使用,并着手进行 GPS 定位与搜索的小项目开发。
cartographer_ros定位功能位姿获取与重定位设置
小白在机器人定位项目中使用cartographer进行定位,面临位姿获取频率低的问题,测试显示激光频率~hz时,获取位姿频率仅为5hz。为解决此问题,尝试了以下方法:
首先,对cartographer进行源码安装。
接着,色谱 php源码运行cartographer_rosd的demo,参考.launch运行文件和.lua配置文件,并开启pure localization功能。
尝试通过tf变换获取位姿坐标,但发现频率受限于5hz左右。为解决此问题,建立tf变换节点,发布2D位姿topic,实现高频率的位姿获取。
深入源码修改,添加::ros::Publisher _pose_pub,对 node.cc进行调整,从而获取高频率的位姿topic。
在rviz中,利用“2D Pose Estimate”功能,发布/initialpose话题,并根据机器人当前位置进行重定位设置。通过点击地图位置,发布包括x,y和theta的topic进行重定位。
总结流程,通过源码修改和rviz重定位设置,实现了高频率的位姿获取及重定位功能。若有疑问,欢迎交流,共同学习。
hdl_graph_slam|后端优化|hdl_graph_slam_nodelet.cpp|源码解读(四)
hdl_graph_slam源码解读(八):后端优化后端概率图构建核心:hdl_graph_slam_nodelet.cpp
整体介绍 这是整个系统建图的核心,综合所有信息进行优化。所有的信息都会发送到这个节点并加入概率图中。 包含信息 1)前端里程计传入的位姿和点云 2)gps信息 3)Imu信息 4)平面拟合的参数信息 处理信息步骤 1)在对应的callback函数中接收信息,并放入相应的队列 2)根据时间戳对队列中的信息进行顺序处理,加入概率图 其他内容 1)执行图优化,这是一个定时执行的函数,闭环检测也在这个函数里 2)生成全局地图并定时发送,即把所有关键帧拼一起,得到全局点云地图,然后在一个定时函数里发送到rviz上去 3)在rviz中显示顶点和边,如果运行程序,会看到rviz中把概率图可视化了 关键帧同步与优化 cloud_callback cloud_callback(const nav_msgs::OdometryConstPtr& odom_msg,const sensor_msgs::PointCloud2::ConstPtr& cloud_msg) 该函数主要是odom信息与cloud信息的同步,同步之后检查关键帧是否更新。 关键帧判断:这里主要看关键帧设置的这两个阈值keyframe_delta_trans、keyframe_delta_angle 变成关键帧的要求就是:/hdl_graph_slam/include/hdl_graph_slam/keyframe_updater.hpp 优化函数 optimization_timer_callback(const ros::TimerEvent& event) 函数功能:将所有的位姿放在posegraph中开始优化 loop detection 函数:主要就是将当前帧和历史帧遍历,寻找loop。 闭环匹配与信息矩阵计算 匹配与闭环检测 潜在闭环完成匹配(matching 函数) 不同loop的信息矩阵计算(hdl_graph_slam/information_matrix_calculator.cpp) gps对应的信息矩阵 hdl_graph_slam/graph_slam.cpp 添加地面约束 使用add_se3_plane_edge函数的代码 执行图优化 优化函数optimization_timer_callback 执行图优化,闭环检测检测闭环并加到了概率图中,优化前 生成简化版关键帧,KeyFrameSnapshot用于地图拼接 生成地图并定时发送 生成地图:简化版关键帧拼接 定时发送:src/hdl_graph_slam_nodelet.cpp文件中 系统性能与扩展性 hdl_graph_slam性能问题在于帧间匹配和闭环检测精度不足,系统代码设计好,模块化强,易于扩展多传感器数据融合。 总结 hdl_graph_slam后端优化是关键,涉及大量信息融合与概率图构建。系统设计清晰,扩展性强,但在性能上需改进。开源科学工程技术软件介绍 – 点云处理软件CloudCompare
点云(Point Cloud)是一种空间中的点数据集,主要用于表示三维形状或对象,通常通过三维扫描仪、激光雷达、摄像头、RGB-D相机等设备获取。每个点的位置由一组笛卡尔坐标(X,Y,Z)描述,可能还包含色彩信息(R,G,B)或物体反射面强度(Intensity)信息。
点云广泛应用于多个领域,例如建模、设计、质量控制、逆向工程、虚拟现实、增强现实等。CloudCompare就是一款专门用于处理三维点云和三角形网格的软件,最初设计目的是在两个三维点云或点云与三角形网格之间进行比较,即“云比较”。它采用八叉树结构进行优化,能够处理大量点云数据,通常超过万个点,甚至高达1.2亿个点,内存占用超过2GB。
CloudCompare使用C++开发,用户界面基于Qt,图形渲染使用OpenGL,支持Windows、MacOS和Linux操作系统。用户可以从其官方网站cloudcompare.org下载安装程序,源代码则在Github上:/ProjectPhysX/CloudCompare。该软件自年开始开发,年开源,年7月开始在GitHub上发布版本,最新的2..1版发布于年3月。
CloudCompare功能丰富,包括但不限于数据导入、导出、可视化、滤波、统计、对齐、几何变换等操作。用户可以访问官方网站获取更多详细信息和功能介绍,或者在GitHub上查找最新的开发动态和用户社区。
在科学工程领域,还有许多其他开源软件,如用于数据处理的Silx,用于机器人开发的rviz,用于可视化中间件的Visualization Library,用于科学可视化分析的Graphia等。此外,还有用于科学可视化和数据可视化的工具,如用于医学图像计算平台的3D Slicer,用于数据可视化的PyVista,用于地理信息的GeoJS等。
学习笔记ROS2纯小白 - MoveIt!(humble)安装、初识与C++实现运动规划
文章内容
前言
在本系列第四篇学习笔记中,我们重点介绍如何安装MoveIt、如何在RViz中使用MoveIt,以及如何通过C++程序加入障碍物并进行运动规划。经过一番波折,终于开始与机器人相关任务,尤其是RViz的可视化功能,让这一过程变得更为直观。在尝试配置环境时,由于系统误操作导致Ubuntu无法正常开机,最终花费半天时间重装系统,尽管过程坎坷,但这一经历让我们的技术积累更加坚实。
前作后续
在安装ROS 2和Colcon后,确保系统为最新版本并安装mixin Colcon和vsctool。接下来,创建一个Colcon工作空间并下载教程和剩余MoveIt源代码。由于网络环境因素,这一过程可能较为不稳定,需要反复尝试和优化配置。完成依赖项的控制后,使用Concol工作空间并进行相应的build和setup操作。将默认ROS 2中间件(RMW)更改为Cyclone DDS,以确保环境的兼容性。
使用Docker容器快速建立MoveIt环境,为后续机器人开发提供方便。
在RViz中使用MoveIt插件进行运动规划,通过交互设置机器人状态,测试规划器并进行可视化输出。在RViz中引入机器人模型,配置固定坐标系,进行机器人插件的详细配置。
在模拟环境中,与可视化机器人交互,调整姿态和运动轨迹。演示如何通过规划实现机器人从起始到目标位姿的运动,同时利用RViz工具可视化路径和操作流程。
通过C++程序实现MoveIt的运动规划功能,首先创建一个ROS节点和执行器,实现机器人运动控制。插入代码段,完成规划与执行,并在RViz中实时反馈。
进一步,实现视觉化功能,通过moveit_visual_tools插件增强机器人开发的可视化体验。在程序中添加依赖项,构建并初始化MoveItVisualTools,实现与RViz的交互。
在RViz中实现路径的可视化,通过封装函数处理视觉化信息,确保代码的简洁和高效。最后,通过配置和运行程序,观察RViz中的实时反馈,完成整个工作流程。
总结
通过本系列的学习笔记,我们系统地掌握了ROS 2环境的搭建、MoveIt的安装与使用、C++实现运动规划以及RViz的可视化技巧。尽管过程中遇到了挑战,如系统配置问题和网络环境的不稳定,但通过坚持不懈的努力,成功实现了从理论到实践的转变。这不仅加深了对机器人开发技术的理解,也锻炼了问题解决和调试能力。未来,我们将在实践中继续深化对这些技术的理解,为更复杂的机器人应用奠定坚实的基础。
Autoware.universe 源码解读(一)
在Autoware的自动驾驶仿真软件中,launch文件起着至关重要的作用。autoware.launch.xml是其中一个基础的launch文件,它使用XML语言编写,以定义启动ROS节点、参数和设置默认值。这个文件的核心结构包括version="1.0"(XML 1.0版本)和encoding="UTF-8"(UTF-8编码)。
文件的前半部分侧重于参数定义和设置,包括地图路径、车辆模型、传感器模型和点云容器,这些都可以通过传递参数进行灵活调整。例如,vehicle_id和launch_vehicle_interface是两个全局参数,vehicle_id默认值为环境变量VEHICLE_ID的值,而launch_vehicle_interface默认为true,表示是否启动车辆接口。
参数check_external_emergency_heartbeat控制外部紧急停车功能,当不需要时需将其设为false。system_run_mode和launch_system_monitor等参数分别定义了系统的运行模式和是否启动系统监视器。此外,rviz可视化工具的启用、rviz配置文件路径,以及感知模式的选择等也被详细定义。
launch文件中还包括一个include标签,引入了global_params.launch.py,该文件通过arg标签传递参数,以进行更精细的配置。例如,如果launch_vehicle设置为true,它将启动vehicle.launch.xml,并传递参数。
总的来说,autoware.launch.xml通过巧妙地定义和传递参数,灵活地控制和配置Autoware的各个子系统,以实现自动驾驶的模拟和测试。