在进行一款单片机学习时,最基本也是最简单的外设就是控制I/O口的高低电平。LED、蜂鸣器以及数码管这些都是可以作为外围电路连接在单片机的I/O口上,进而可以实现通过单片机对其进行控制。在本章节中,会以这三种外围电路的控制来学习stm32单片机中的外设资源—GPIO(General-purpose input/output)。 1、点亮LED灯所使用的基于stm32f103zet6芯片的开发板中,
前言 本资料首发于公众号【3D视觉工坊】,原文请见计算机视觉学习资料汇总,更多干货请关注公众号后台回复关键字获取~ (一)基础操作 Linux 学习网站 Linux中国:https://linux.cn/鸟哥的linux私房菜:http://linux.vbird.org/Linux公社:https://www.linuxidc.com/ 学习书籍 《鸟哥的Linux私房菜》《Lin
第九章、模型替换以及TEB调参技巧 1、前言 上节内容让小车在gazebo仿真环境中实现导航,本节内容重点介绍一下gazebo仿真中的模型替换方法以及TEB调参的技巧。 2、模型替换 阿克曼小车项目从第四章开始完全使用的是自己写的模型,当然,用方块与圆柱构建的小车看上去自然不会太过于美观,那是否可以
1、前言 上一节通过配置小车的里程计,用gmapping算法建了房间的二维栅格地图;这一节通过配置AMCL定位以及move_base实现小车在房间中的自主导航。在mini小车仿真的章节讲到导航主要分为机器人定位和路径规划两大部分。ROS分别提供了功能包 1、move_base:实现机器人导航中的最优路径规划。 2、amcl:实现二维地图中的机器人定位。
第七章、配置小车里程计并用gmapping建图 1 、前言 上一节写了用键盘控制节点控制仿真小车运动,这一节需要配置小车的里程计,并且在room_mini这个world中进行gmapping建图。 2 、配置小车里程计 ◇通过gazebo节点获取odom 从/gazebo/link_states话
0. 简介 我们在遇到类似GUI中多种Button点击功能的操作时,我们应该将请求的所有细节 (例如调用的对象、 方法名称和参数列表) 抽取出来组成命令类, 该类中仅包含一个用于触发请求的方法。 命令模式就是这样一种行为设计模式, 它可将请求转换为一个包含与请求相关的所有信息的独立对象。 并能根据不同的请求将方法参数化、 延迟请求执行或将其放入队列中, 且能实现可撤销操作。 1. 命令模式示
0. 简介 最近在群里划水时,看到很多初学的SLAMer面对精度评估这个问题无从下手。而精度评估确实是在SLAM算法实际评估中急需一种手段和工具,本文将从2维室内和3维室外两个层面来向各位展示如何通过各种手段来对SLAM算法完成。 1. 2D评估—基于cartographer 室内的评估方案比较多样,作者也选取了几种方法来实现二维层面上的室内定位性能评估 1.1 直尺和角度计 这种是作为
从2020年3月份到现在,一年的时间里断断续续自学最优化,结合豆瓣读书、知乎等网站上的推荐,翻阅了以下书和课程: Stephen Boyd和Lieven Vandenberghe的《Convex Optimization》,这本书被公认为学习凸优化的必读经典著作,其中大量的篇幅讲应用,讲理论和算法的篇幅稍少一些。在B网站上有Boyd的视频课程,油管上也有,不过只有英文字幕,如果是零基础接触,直接
内容列表 1 简介 2 机械臂术语 2.1 常用术语 2.2 机械臂运动学 2.2.1 正运动学 2.2.2 逆运动学 3 空间描述和变换 3.1 描述 3.1.1 位置描述 3.1.2 姿态描述 3.1.3 坐标系描述 3.2 映射:从坐标系到坐标系的变换 3.2.1 关于平移坐标系的映射 3.2.2 关于旋
树莓派Pi4B系统的启动1 树莓派供电2 启动树莓派(以Type-C供电示例)1 树莓派供电树莓派开发板有三种供电方式: 1 使用Type-C供电:电源头的参数要求是5V,3A。 2 使用灰色排线直接连接小车扩展板供电。 3 使用POE供电:需要另外购买一个POE hat,连接之后可使用网线POE供电。 2 启动树莓派(以Type-C供电示例)烧写完后把MicroSD卡直接插入树莓派的
Blob分析 1. 谈谈Blob分析 2. 看一张图片 3. 处理图像效果 4. Halcon代码 5. 资源下载 1. 谈谈Blob分析 Blob可以说是图像处理中最简单、最常用的方法了。虽说简单,但是往往也能达到目的,稳定性也不错。这种方法适用的场景也非常多,实际项目中几乎都会看到它的身影。有时是作为辅助手段获取目标区域图像,有时直接作为最终的处理结果输出。当
内容列表 软件环境 1.编译python3的cv_bridge 2.创建基于python3的图像ROS节点(1)初始化py3_test_ws工作空间 (2)创建功能包 (3)编写python3的图像发布和接收节点 3.运行节点 (1)编译 (2)将工作空间添加进环境变量 (3)运行节点 4.与C++图像处理节点混合使用 网上所有的资
cGAN = conditional GAN也是最基础的GAN模型,和GAN原文同时发表在NIPS2014上面。事实上,cGAN在GAN的基础上并没有做很大的改动,下文会主要分析一下cGAN的改动。 先按照国际惯例,放论文链接: Conditional Generative Adversarial Nets ~~~如果还不熟悉GAN算法的,可以看我的上一篇博文。前面说到GAN的缺点: 在训
经过前两章节对STM32的简单介绍,在接下来的几个章节中开始进行STM32单片机的软件开发实践,所使用到的工具有Keil5、STM32CubeMX以及串口软件。对于STM32F1系列的单片机,其存储器有4GB的空间,包含了程序存储器、数据存储器、寄存器以及I/O单口。存储器的地址是由出厂时分配或者用户进行分配,这个分配的过程被称作“存储器映射”,在分配一个地址就叫做“重映射”。
主要思想 基于传统卷积模块设计,提出一种高效空间金字塔卷积模块(ESP Module),有助于减小模型运算量和内存、功率消耗,以提高在终端设备上的适用性。这款模型和MobileNet系列、ShuffNet系列相似,都是轻量级模型,可以部署到移动端。 模型具体结构 如下图所示,模型主要有两个模块构成,一个是Efficient spatial pyramid模块,一个是HFF模块。 Eff
效果图 三幅图像分别为矫正前、校正后和裁减后的图片。 矫正后的图像有些奇怪,需要把无用的部分裁剪掉。 代码 步骤一:拍摄棋盘图片 运行该程序,按空格键拍摄棋盘信息(注意拍摄的棋盘要完整),拍摄20张左右即可,按q键退出。 import cv2 # 图片保存路径 IMG_SAVE_PATH = "img/" if __name__ == '__main__':
在前面一个项目中,我们知道了如何让舵机动起来,这里将进一步的通过外部信号来让舵机随着输入的改变来相应改变角度,方便做一些可控的转动装置。我们这里通过一个可变电阻——电位器,来控制舵机。当然你也可以通过其他的模拟量或者数字量来控制舵机。模拟量的话,比如改造一下前面的感光灯,变成一个会动的感光灯。数字量的话,比如通过一个按钮,倾斜开关等等,一旦触发开关,就让舵机转动,可以有很多玩儿法。再给舵机加个外壳
基于视觉的机器人抓取方法首先要获取抓取位姿,在机器人抓取(六)—— 平面抓取位姿估计( gqcnn代码测试与解读) 中,我们对抓取位姿估计网络gqcnn做了详细讲解。 在进行抓取位姿估计时,首先要获取一张深度图。我们可以通过 ros 的 topic 机制不断的发送深度图,不过其实我们并不需要实时读取每一帧的图像,只需要在做抓取位姿估计时读取一张深度图即可。本着不浪费计算资源的原则,用 ros Se
前言 CycleGAN是在今年三月底放在arxiv(论文地址CycleGAN)的一篇文章,文章名为Learning to Discover Cross-Domain Relations with Generative Adversarial Networks,同一时期还有两篇非常类似的DualGAN(论文地址:DualGAN)和DiscoGAN(论文地址:DiscoGAN),简单来说,它们的功能
如图3,点阵屏分单色和彩色,点阵屏是由许多点组成的,在一个点上,只有一颗一种颜色的灯珠,这就是单色点阵屏,彩色的在一个点上有三颗灯珠,分别是RGB三原色。 图4你可能没看出来,那么大块黄色的就是点阵屏,下面那个粉色的长条也是。 大的点阵屏实际上是由许多一小块一小块点阵屏拼接在一块的,最终形成一个大的,在做移动舞台时,它拆装方便,例如演唱会时,液晶的就不方便,运输也不方便,也容易损坏,而点阵
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信