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

前端如何调用后端接口(HTML + JS & Vue )

本文将以 Go 语言后端 为例,详细介绍: * Go 后端接口如何设计 * 接口的请求 / 响应结构 * 前端如何用 HTML + JS 调用 Go 接口 * 前端如何用 Vue 工程模式 调用 Go 接口 * 两种方式的区别与适用场景 一、整体架构说明 前后端分离架构 浏览器   |   | HTTP 请求(JSON)   ↓ 前端(HTML / Vue)   |   | HTTP 请求   ↓ Go 后端(API)   |   | JSON 响应   ↓ 前端渲染页面 * 前端:负责 页面 + 交互 * 后端(Go):负责 业务逻辑 + 数据处理 * 通信方式:

web酒店客房管理系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

web酒店客房管理系统信息管理系统源码-SpringBoot后端+Vue前端+MySQL【可直接运行】

摘要 随着旅游业的快速发展和酒店行业的不断扩张,传统的酒店客房管理方式已难以满足现代化管理的需求。人工操作效率低下、信息易丢失、管理流程繁琐等问题日益凸显,亟需一套高效、智能的酒店客房管理系统来提升运营效率和服务质量。数字化管理不仅能减少人力成本,还能通过数据分析优化客房资源配置,提升客户满意度。因此,开发一款基于SpringBoot后端、Vue前端和MySQL数据库的酒店客房管理系统具有重要的现实意义。关键词:酒店管理、数字化、SpringBoot、Vue、MySQL。 本系统采用前后端分离架构,后端基于SpringBoot框架实现高效的数据处理和业务逻辑,前端使用Vue.js构建动态交互界面,数据库采用MySQL存储数据。系统功能包括客房信息管理、客户预订管理、订单结算、员工权限管理等模块,支持多角色登录和权限控制。通过响应式设计和RESTful API接口,系统实现了数据的实时更新和高效交互。系统源码可直接运行,便于二次开发和功能扩展,为酒店行业提供了一套完整的数字化解决方案。关键词:前后端分离、权限管理、RESTful API、实时更新、二次开发。 数据表 客房信息数据

保姆级教程:25个降AI提示词大全,手把手教你去AI味

保姆级教程:25个降AI提示词大全,手把手教你去AI味

保姆级教程:25个降AI提示词大全,手把手教你去AI味 TL;DR:本文整理了25个实测有效的降AI提示词,涵盖角色设定法、语义重构法、口语化改写法等多种技巧,配合嘎嘎降AI等专业工具使用,可以把AI率从92%降到5%以下。每个指令都附带使用场景和效果说明,直接复制就能用。 为什么需要降AI提示词 用DeepSeek、ChatGPT这些AI写论文确实方便,但生成的内容有个致命问题:AI味太重。什么是AI味?简单说就是句式过于工整、用词过于精准、缺乏个人表达痕迹。现在的AIGC检测系统正是抓住这些特征来识别AI生成内容,所以哪怕你让AI帮你写的内容在专业上没问题,检测一看AI率照样飙到90%以上。很多同学的第一反应是手动改,但改来改去AI率还是降不下来,因为你改的只是表面词汇,深层的「机器表达模式」根本没变。这时候就需要用专门的降AI提示词,从源头上让AI输出更「人」的内容。 提示词使用前的准备工作 在开始使用降AI提示词之前,有几件事一定要先做。第一,先检测一下你的原文AI率是多少,心里有个底。如果AI率在30%以下,直接用提示词润色可能就够了;如果在80%以上,建议提示

【2026实测】闲置 Windows 笔记本部署 OpenClaw AI员工:WSL2 踩坑全记录

【2026实测】闲置 Windows 笔记本部署 OpenClaw AI员工:WSL2 踩坑全记录

【2026实测】闲置 Windows 笔记本部署 OpenClaw AI员工:WSL2 踩坑全记录 最近刷到好几篇openclaw的文章,清一色的操作是:买一台 Mac Mini,装上 OpenClaw,接上飞书,完事(甚至买来就是装配好的)。 说句大实话,这些文章 90% 的作者自己都没搞清楚 OpenClaw 的配置到底在干什么。买个 Mac Mini 跟着教程抄就是了,出了问题换个教程再抄。 我的做法不一样——翻出抽屉里吃灰两年的 Win10 笔记本,装个 WSL2,从 systemd 配置到模型注册表到 OAuth 凭证克隆,每一步都是自己趟出来的。两天时间,4 个让人想砸键盘的大坑,最后跑通了 DeepSeek + Gemini 双模型、飞书 + Telegram