宇树机器人g1二次开发:建图,定位,导航手把手教程(二)建图部分:开始一直到打开rviz教程

注意:

本教程为ros1,需要ubuntu20.04,使用算法为fase_lio

本教程为遵循的网上开源项目:https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID.git

一、系统环境准备

1.1. 安装必要的依赖库

# 安装C++标准库 sudo apt install libc++-dev libc++abi-dev # 安装Eigen3线性代数库 sudo apt-get install libeigen3-dev

库说明:

  • libc++-dev:C++标准库开发文件
  • libeigen3-dev:线性代数库,用于矩阵运算和几何变换
  • 这些是编译FAST-LIO和Open3D必需的数学和系统库

二、创建工作空间和准备

2.1. 创建定位工作空间

mkdir -p ~/ws_loc/src cd ~/ws_loc/src

把https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID.git这个项目移到这里

三、获取并配置Open3D库

3.1. 下载预编译Open3D库

3.2. 编辑CMakeLists.txt

# 编辑CMakeLists.txt配置Open3D路径 cd ~/ws_loc/src/FAST_LIO_LOCALIZATION_HUMANOID/open3d_loc nano CMakeLists.txt

3.3. 修改CMakeLists.txt中的Open3D路径

将:set(Open3D_DIR "/home/liar/open3d141/lib/cmake/Open3D")中的liar改成自己home名字修改为你的用户名(假设用户名为 your_username):

set(Open3D_DIR "/home/your_username/open3d141/lib/cmake/Open3D")

保存操作: 修改完后按 Ctrl+X,然后输入 Y,最后按 Enter

3.4. 完成Open3D的配置

cd ~/ws_loc catkin_make -DROS_EDITION=ROS1

 

四、安装Livox SDK和相关驱动

4.1. 安装Livox-SDK2

# 克隆Livox-SDK2 git clone https://github.com/Livox-SDK/Livox-SDK2
# 编译安装 cd Livox-SDK2 mkdir build && cd build cmake .. && make -j sudo make install

4.2. 安装Livox-SDK(旧版)

# 克隆Livox-SDK git clone https://github.com/Livox-SDK/Livox-SDK

# 重命名并处理嵌套文件夹 # 注意:文件有两层嵌套,需要删除第二层嵌套文件夹

# 编译安装 cd Livox-SDK mkdir build && cd build cmake .. && make -j sudo make install

注意: 如果遇到cmake版本兼容问题,尝试使用策略跳过

4.3. 安装livox_ros_driver

# 克隆驱动 git clone https://github.com/Livox-SDK/livox_ros_driver

# 重命名并处理嵌套文件夹

# 创建livox专用工作空间 mkdir -p ~/ws_livox/src cd ~/ws_livox/src
# 创建符号链接 ln -s ~/livox_ros_driver . # 编译 cd ~/ws_livox catkin_make

注意: 如果遇到cmake版本兼容问题,尝试使用策略跳过

五、解决编译问题和配置

5.1. 重新配置和编译定位系统

cd ~/ws_loc/build cmake -DCMAKE_POLICY_VERSION_MINIMUM=3.5 ../src -DROS_EDITION=ROS1 make -j

六、配置激光雷达

6.1. 配置激光雷达参数文件

cd ~/ws_loc/src/FAST_LIO_LOCALIZATION_HUMANOID/livox_ros_driver2/config nano MID360_config.json

配置文件,校正激光雷达在G1机器人上的安装姿态,确保点云数据坐标系正确

 

6.2. 修改IP地址配置

桥接机器人,检查本机IP地址:

hostname -I
  1. 将MID360_config.json配置文件中的IP地址:
"host_net_info": { "cmd_data_ip": "192.168.123.222", ... }

修改为你自己的IP地址,例如:

"host_net_info": { "cmd_data_ip": "192.168.123.111", ... }

七、环境配置和连接测试

7.1网线连接机器人配置
(也可以先跳过这一步进行下面的步骤,后面遇到问题再来修改)

在home中:

nano ~/.bashrc

在文件末尾添加:

# 有线连接配置 export ROS_MASTER_URI=http://localhost:11311 export ROS_HOSTNAME=localhost

注释掉其他ROS相关配置(如果有):

# export ROS_IP=192.168.111.128 # export ROS_IP=192.168.123.111 # export ROS_MASTER_URI=http://192.168.123.161:11311 # export ROS_IP=192.168.123.99

八、运行FAST-LIO系统

8.1. 测试激光雷达连接

# 测试激光雷达IP连通性 ping 192.168.123.120

8.2. 打开四个终端运行系统

终端1:启动ROS核心
roscore
终端2:启动建图系统
cd ~/ws_loc source devel/setup.bash roslaunch fast_lio mapping_mid360_g1.launch
终端3:启动雷达驱动
cd ~/ws_loc source devel/setup.bash roslaunch livox_ros_driver2 msg_MID360.launch
终端4:启动可视化界面
rviz

九、添加显示项

Read more

FPGA自适应滤波完全指南:从LMS到RLS算法实现(附Verilog代码与实战案例)

FPGA自适应滤波完全指南:从LMS到RLS算法实现(附Verilog代码与实战案例) 📚 目录导航 文章目录 * FPGA自适应滤波完全指南:从LMS到RLS算法实现(附Verilog代码与实战案例) * 📚 目录导航 * 概述 * 一、自适应滤波基础概念 * 1.1 什么是自适应滤波 * 1.2 自适应滤波与传统滤波的区别 * 1.3 自适应滤波的应用场景 * 1.4 自适应滤波器的基本结构 * 1.5 自适应滤波的工作原理 * 二、LMS算法详解 * 2.1 LMS算法原理 * 2.2 LMS算法数学推导 * 2.3 LMS算法的FPGA实现 * 2.4 LMS算法的性能分析 * 三、NLMS与变步长LMS算法 * 3.1 NLMS算法原理 * 3.2 变步长LMS算法 * 3.

如何快速掌握GGCNN:机器人抓取检测的终极实战手册

如何快速掌握GGCNN:机器人抓取检测的终极实战手册 【免费下载链接】ggcnnGenerative Grasping CNN from "Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Approach" (RSS 2018) 项目地址: https://gitcode.com/gh_mirrors/gg/ggcnn GGCNN(Generative Grasping Convolutional Neural Network)是一个革命性的机器人抓取检测开源项目,它通过深度学习技术实现了高精度的抓取位置和方向预测。该项目采用创新的生成式抓取合成方法,能够在动态环境中实时处理深度图像数据,为工业自动化、智能仓储等场景提供完整的智能抓取解决方案。GGCNN机器人抓取检测技术为机器人在复杂环境中的自主操作提供了强有力的支持。 🎯 GGCNN核心优势解析 轻量化网络架构设计 GGCNN采用全卷积网络架构,能够在单个前向传递中预测每个像素的抓取质量、角度和宽度。这种设计使

从 Webhook 到 OpenClaw:一个钉钉周报提醒机器人的进化史

从 Webhook 到 OpenClaw:一个钉钉周报提醒机器人的进化史

前言:一个开源项目的"现象级"爆发 2026年初,GitHub 上出现了一个"怪物级"开源项目:OpenClaw1。 * 2天,GitHub Star 从 0 冲到 10万+(Kubernetes 达到 10万 Star 用了 3年、React 达到 10万 Star 用了 4年) * 1个月,成为 GitHub Trending 榜首,Star 数突破 15万 * 3个月,衍生出数十个商业闭源版本,包括网易有道的 LobsterAI2(龙虾) 更疯狂的是,这个项目最初只是奥地利独立开发者 Peter Steinberger

JFM | 空军工程大学宗豪华、吴云等:基于FPGA的深度强化学习框架实现超音速闭环智能流动控制实验

JFM | 空军工程大学宗豪华、吴云等:基于FPGA的深度强化学习框架实现超音速闭环智能流动控制实验

基于高速实验深度强化学习框架的超音速闭环流动控制 Closed-loop supersonic flow control with a high-speed experimental deep reinforcement learning framework 宗豪华¹,吴云¹,李金平²,苏志²,梁华² 引用格式:H. Zong, Y. Wu, J. Li, Z. Su, and H. Liang. Closed-loop supersonic flow control with a high-speed experimental deep reinforcement learning framework[J], Journal of Fluid Mechanics, 2025, 1009: A3.