Github链接： https://github.com/chanchanchan97/ROS 1. 仿真描述 本项目的目的是在Gazebo仿真环境下显示一个基于阿克曼转向(Ackermann steering)的自动驾驶小车模型，在之前xacro模型的基础上添加Gazebo标签等，使小车模型具有重力、惯性和摩擦力等物理状态。 2. Gazebo简介 Gazebo是一款3D动态模拟器，
Github链接： https://github.com/chanchanchan97/ROS 1. 模型描述 本项目的目的是创建一个基于阿克曼转向机构（Ackermann steering）的自动驾驶小车模型，该模型在之前URDF模型的基础上修改了前轮转向轴的形状与位置，修改了前端摄像头的位置和尺寸，并且添加了激光雷达和树莓派的简易模型。 2. xacro模型与URDF模型的区别
Github链接：https://github.com/chanchanchan97/ROS 1. 模型描述 本项目的目的是创建一个基于阿克曼转向机构（Ackermann steering）的简易四轮小车模型，该模型采用后轮双驱，而前轮在设计时选择独立转向，之后通过算法对两个前轮单独控制，模拟阿克曼转向模型。车体以简单的立方体来表示，并且在前端创建一个小立方体表示摄像头。
内容列表 1. launch文件功能 2. launch文件语法 2.1 标签 2.2 标签 2.3标签 2.4 标签 2.5 标签 2.6 标签 2.7 标签 3. launch文件使用 3.1 创建launch文件 3.2 编译launch文件 3.3 启动launch文件 3.4 节点通信可视化 1. launch文件功能
内容列表 1. 创建功能包 2. 节点编程 2.1 案例说明 2.2 TF坐标系广播器编程 2.3 TF坐标系监听者编程 3. 配置与编译 3.1 在CMaKeLists.txt中添加编译选项 3.2 编译文件 4. 话题可视化 1. 创建功能包 在ROS工作空间ROS_ws的src文件夹目录下创建一个功能包，命名为tf_lidar_t
内容列表 Step 1. 配置硬件工具 Step 2. 添加测试模块 Step 3. 配置测试模块 Step 4. 运行测试环境 Step 5. 查看测试报告 LIN2.1测试标准链接： https://download.csdn.net/download/baoli8425/19256539? Step 1. 配置硬件工具 首先创建带有LIN通道的CANoe工程，
内容列表 1. 一阶RC低通滤波器的连续域数学模型 1.1 数学模型的推导 1.2 频率特性 1.3 物理作用 2. 一阶RC低通滤波器的算法推导 2.1 离散化 2.2 滤波系数 3. 一阶RC低通滤波器的C语言实现 4. 缺点及改善方法 4.1 缺点 4.2 改善方法——动态调整滤波系数 4.2.1 实现功能 4.2.2 调整前
绪论 我是致力于研究使用机械手控制超声探头的运动，最终实现用机械手代替人类的部分工作，实现对部分疾病的筛查，这样可以缓解超声科医生的工作压力。同时·，这项技术如果成功且成熟了，那么以后可以将其推广到偏远的贫困地区，这个意义是非常重大的。因为培养一个成熟的超声科医生需要三到五年时间，而对于技术熟练的医生来讲，他们是不愿意到偏远地方长期任职的，因此开发这个技术可以给偏远地区的人带来很大的福利
参考链接：(1) https://blog.csdn.net/JasonDing1354/article/details/37558287(2) https://blog.csdn.net/zouxy09/article/details/7922923(3) https://blog.csdn.net/zouxy09/article/details/7929570 1. 前言 我们要探讨的Ha
参考链接： https://blog.csdn.net/zhuangxiaobin/article/details/25476833 Github链接： https://github.com/chanchanchan97/ROS 1. 样本的创建 训练样本分为正样本和负样本。正样本是指待检目标样本，例如车辆，行人，人脸等，负样本是指其它任意图片。所有的样本图片都被归一化为同样的尺寸大小，例如
参考链接：1. 深入浅出Yolo系列之Yolov5核心基础知识完整讲解2. yolov5 结构知识点解析3. yolov5目标检测神经网络——损失函数计算原理 1. 网络结构 1.1 Backbone YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53和SPPF模块。 1.1.1 Conv模块 YOLOv5在Conv模块中封装了三个功能：包括
一、Simulink模型简述 该模型对简化的汽车运动进行仿真。当踩下踏板时，汽车通常处于行进状态。轻踩并松开加速踏板后，汽车先会处于怠速状态，然后停止。基于上述运动模型再对接近传感器建模，该数字传感器用于测量汽车与10米（30英尺）外的障碍物之间的距离。模型根据下列条件来输出传感器的测量值和汽车的位置值： 汽车在到达障碍物时会紧急刹车。在现实世界中，传感器对距离的测量不够精确，从而导致随机数值
参考链接：https://ww2.mathworks.cn/help/vnt/ug/build-can-communication-simulink-models.html#brzf0ew-4 一、Simulink模型简述 在该模型中使用MathWorks虚拟CAN通道传输和接收报文。 报文传输部分：使用CAN Configuration模块配置CAN通道，Constant模块向CA
内容列表 一、比赛形式 二、主控板电源电路 1. DC-DC稳压电路 1.1 电路原理图 1.2 稳压芯片TPS565201热仿真 1.3 稳压芯片TPS565201输出电流电压仿真 2. 线性稳压电路 2.1 电路原理图 2.2 线性稳压芯片LMS1585A输出电流电压仿真 三、控制逻辑及策略 1. 主程序框架 2. 控
参考链接：https://blog.csdn.net/renyushuai900/article/details/98460758论文链接：http://isl.ecst.csuchico.edu/DOCS/darpa2005/DARPA%202005%20Stanley.pdfGithub链接：https://github.com/chanchanchan97/ROS 1. 算法简介
参考链接：https://zhuanlan.zhihu.com/p/48117381Github链接：https://github.com/chanchanchan97/ROS 1. 算法简介 单车模型(Bicycle Model)实际上是对阿克曼转向几何的一个简化，使用单车模型需做如下假设： 不考虑车辆在Z轴方向的运动，只考虑XY水平面的运动； 左右侧车轮转角一致，这样可
横向控制 | 路径信息及可视化 内容列表 1. 全局路径的读取 2. 局部路径和历史路径的更新 3. 路径可视化 Github链接： https://github.com/chanchanchan97/ROS 1. 全局路径的读取 waypoint_loader.py文件的功能是读取.csv文件中的路径点信息，并发布消息waypoints和base_path，其中wa
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 3.1 稠密块的创建 3.2 过渡层的创建 3.3 DenseNet网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.1 案
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 3.1 残差块的创建 3.2 ResNet模块的创建 3.3 ResNet网络的创建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 3.1 Inception模块的创建 3.2 GoogLeNet网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.1 案例介绍
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 3.1 VGG模块的创建 3.2 VGG网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.1 案例介绍 本案例使用Pytor
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.1 案例介绍 本案例使用Pytorch搭建一个稍微简化的AlexNet网络结构，用于Fashion-M
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言 1.1 案例介绍 本案例使用Pytorch搭建一个类似LeNet-5的网络结构，用于Fashion-MNI
内容列表 1. 前言 1.1 案例介绍 1.2 环境配置 1.3 模块导入 2. 图像数据准备 2.1 训练验证集的准备 2.2 测试集的准备 3. 卷积神经网络的搭建 3.1 NiN(Network in Network)模块的创建 3.2 NiN网络的搭建 4. 卷积神经网络训练与预测 5. 运行程序 1. 前言
积分
粉丝
勋章
TA还没有专栏噢
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