无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

电脑配置:Xavier-nx、ubuntu 18.04、ros melodic

激光雷达:Livox_Mid-360

结果展示:左边Mid360+Fast-lio感知建图,右边Ego-planner运动规划

1、读取雷达数据并显示

无人机避障——感知篇(采用Livox-Mid360激光雷达获取点云数据显示)-ZEEKLOG博客

看看雷达数据话题imu以及lidar两个话题 

2、读取雷达数据并复现fast-lio 

无人机避障——感知篇(采用Mid360复现Fast-lio)-ZEEKLOG博客

启动fast-lio,确保话题有输出 

 由于此处不需要建图,因此不打开rviz,launch文件如下修改:

<launch> <!-- Launch file for Livox MID360 LiDAR --> <arg name="rviz" default="true" /> <rosparam command="load" file="$(find fast_lio)/config/mid360.yaml" /> <param name="feature_extract_enable" type="bool" value="0"/> <!-- 100HZ的bag point_filter_num建议设置为1; 10HZ的bag建议设置为2或3 --> <param name="point_filter_num" type="int" value="3"/> <param name="max_iteration" type="int" value="3" /> <param name="filter_size_surf" type="double" value="0.5" /> <param name="filter_size_map" type="double" value="0.5" /> <param name="cube_side_length" type="double" value="1000" /> <param name="runtime_pos_log_enable" type="bool" value="0" /> <node pkg="fast_lio" type="fastlio_mapping" name="laserMapping" output="screen" /> <!-- <group if="$(arg rviz)"> <node launch-prefix="nice" pkg="rviz" type="rviz" name="rviz" args="-d $(find fast_lio)/rviz_cfg/loam_livox.rviz" /> </group> --> </launch> 

然后运行:

roslaunch fast_lio mapping_mid360.launch

看一下话题:

rostopic list

 看下/Odometry与/cloud_registe

Read more

【花雕学编程】Arduino BLDC 之使用6.5寸轮毂电机的智能动态跟随机器人底盘

【花雕学编程】Arduino BLDC 之使用6.5寸轮毂电机的智能动态跟随机器人底盘

基于Arduino与6.5寸轮毂电机的智能动态跟随机器人底盘,是一种将一体化高扭矩动力单元与实时感知决策系统深度融合的移动平台方案。该方案利用轮毂电机“轮内驱动”的紧凑特性,结合Arduino(或ESP32等兼容主控)的灵活控制能力,旨在实现对人、车或特定目标的平滑、抗扰、低延迟的伴随运动。 一、 主要特点 一体化高扭矩动力架构 直驱/准直驱结构:6.5寸轮毂电机将BLDC电机、行星减速器(常见速比1:10~1:30)、轮毂及轴承高度集成。省去了皮带、链条等中间传动环节,传动效率高(>85%),结构紧凑,底盘离地间隙低,重心稳。 大扭矩低速特性:得益于内置减速,轮毂电机在低转速下可输出极大扭矩(峰值可达8~25 N·m),能轻松驱动30~80kg级底盘,具备良好的爬坡(<5°)和越障(过坎)能力,且低速运行平稳无顿挫。

FPGA摄像头到屏幕完整链路:从OV5640采集到HDMI实时显示(附完整工程代码)

🎬 FPGA摄像头到屏幕完整链路:从OV5640采集到HDMI实时显示(附完整工程代码) 📚 目录导航 文章目录 * 🎬 FPGA摄像头到屏幕完整链路:从OV5640采集到HDMI实时显示(附完整工程代码) * 📚 目录导航 * 概述 * 一、摄像头采集显示系统架构 * 1.1 系统整体框架 * 1.2 核心模块功能 * 1.3 数据流向与时序 * 二、OV5640摄像头基础 * 2.1 OV5640摄像头简介 * 2.2 OV5640引脚定义与功能 * 2.3 DVP接口时序详解 * 2.4 SCCB配置协议 * 2.5 OV5640初始化配置 * 三、图像采集模块设计 * 3.1 DVP采集模块架构 * 3.2 行列计数器设计 * 3.3 数据格式转换 * 3.

OpenClaw 完整安装与配置文档(包含Minimax/deepseek模型接入、飞书机器人接入)

OpenClaw 完整安装与配置文档 文档说明:本文档适用于 Linux 系统(Debian/Ubuntu 系列),详细梳理 OpenClaw 从基础环境准备、核心程序安装,到模型配置(Minimax/DeepSeek)、飞书渠道对接的全流程,所有交互式配置选项完整呈现,步骤可直接复制执行,适配新手操作。 适用场景:OpenClaw 新手部署、企业内部飞书机器人对接、Minimax/DeepSeek 模型配置 前置说明: 1. 服务器需联网,确保能访问 GitHub、npm、飞书官网; 2. 操作全程使用终端命令行,建议使用远程工具(如 Xshell、Putty)连接服务器; 3. 复制命令时需完整复制,避免遗漏特殊符号; 4. 所有交互式配置选项均完整列出,按文档指引选择即可。 5. 拥有root用户/sudo权限。

Face3D.ai Pro惊艳效果:4K UV贴图支持Alpha通道,完美处理发丝与胡须

Face3D.ai Pro惊艳效果:4K UV贴图支持Alpha通道,完美处理发丝与胡须 1. 效果展示:发丝与胡须的完美呈现 Face3D.ai Pro在4K UV贴图生成方面达到了令人惊艳的专业级水准,特别是在处理传统3D重建中最为棘手的发丝和胡须细节方面表现突出。 1.1 发丝细节的精准捕捉 传统3D人脸重建往往将头发处理为模糊的色块,而Face3D.ai Pro能够精确识别并重建每一缕发丝的走向和透明度。通过Alpha通道的支持,生成的UV贴图完美保留了发丝的透明渐变效果,从发根到发梢的细微变化都能清晰呈现。 在实际测试中,即使是复杂的卷发或飘逸的长发,系统也能准确重建发丝的层次感和空间关系,为后续的3D渲染提供了高质量的纹理基础。 1.2 胡须的真实还原 男性面部的胡须处理一直是3D重建的技术难点。Face3D.ai Pro通过深度学习算法,能够区分胡须区域与皮肤区域,并生成带有透明度的胡须纹理。 从测试结果看,系统不仅能够重建胡须的整体形状,还能捕捉到胡须的密度变化和生长方向。即使是短短的胡茬,也能在4K贴图中得到清晰表现,避免了传统方法中胡须看起来像"贴