A*算法是一种Greedy算法,ROS中的navigation导航包中的global_planner中就能找到。 今天,我们从头入手,自己移植并完成关于A*算法在ROS上的移植和实现。 首先来说一下我们最后想实现的目的: 我们首先画一个200*200像素的“交通路段” 在开始我们的算法之前,首先感谢网友[一路向北]的开源A*算法,他MFC界面的源代码网址如下: 点击打开
在一台机器人中不可避免地会具有很多种传感器(雷达,视觉,深度...);在机器人的导航中对这些传感器的融合,并形成完整的导航策略是很关键的。对于一台室内/室外机器人来讲,传感器的融合主要分为两个方面: 融合定位,使用GPS/IMU/里程计/视觉/雷达等传感器的数据确定机器人的位置和姿态。 融合导航,在机器人的定位确定的前提下,使用雷达/声呐/图像/深度等数据对机器人进行融合避障。 今天我们就从不
我们已经了解了ROS地图的特征。现在我们假设已知在地图上某个位置有一台机器人,我们要将ROS地图转换为图片,同时机器人在地图上的位置传输至外部用户终端;使用户终端能够实时显示机器人位置。 我们先从用户终端(Windows小程序)的设计入手: 小程序使用Python结合pygame进行编程,在程序中要解决的三大问题: 1)机器人实际环境与像素位图的比例匹配 2)机
第4节我们说到ROS与APP之间的地图交互与坐标系变换,今天我们来实现一个与ROS地图对接的APP,实现以下功能: 1)机器人的ROS地图能够通过网络方式传输到APP上,同时APP上能显示机器人位置 2)使用者绘制APP中地图上的某个区域,这个点能在ROS中以PoseArray的形式发布出来。 我们首先来使用Python完成一个APP的设计: 1. APP向机器人请求二维地图,并获
在很多商用机器人中都涉及到机器人与外部设备(比如APP)之间的交互。而在交互中,最为首要的就是地图与机器人位置的交互了。在这一个章节中,我们介绍一个机器人将内部的地图,机器人位置等数据与用户端进行同步的案例。 1. 实际场景与机器人(ROS)地图的对应关系: 我们来看一下下面这副图片,这是一个机器人在实际环境中绘制的二维地图,在图片的左下角是地图原点(map所在的位置),在原点上已经标明了
今天来学习一下英特尔D435深度传感器的相关内容: 首先,我们找到D435官网:https://www.intelrealsense.com/developers/ 我们打开一个终端,按照官网提示输入以下内容: 1)在软件库中添加Intel服务器并注册服务器公钥: echo 'deb http://realsense-hw-public.s3.amazonaws.com/Debia
室外低速自动导航车的设计(2)——多线激光雷达的点云解析 我们在前面硬件系统的构建中通过网络接收到了多线激光雷达的原始数据,这些数据在空间中形成了一个个的点,每一个点都代表了某个物体表面的回波。我们采用的激光雷达是16线的。不太严格的说,16线就代表了这个雷达在空间的z轴上扫过16个平面。每个平面又包含一组xy平面的信息。 这些多平面的激光雷达的回波点被称作点云(PointCloud,PC
室外低速自动导航车的设计(1)——基础硬件配置 今天我们来开始做基于GPS和16线激光雷达的低速导航车项目。 因为不论做什么车,首先都要把硬件搭建起来,除了基础的机械机构(骨架和壳子)之外,基本的传感器,车轮的驱动器以及工控机都是要有的。 我们首先来看一下导航车应该有的基本结构: 室外低速自动导航车的硬件结构 传感器类: 激光雷达,我们选用用16线的rs_lidar,这个雷
室外低速自动导航车的设计
博客
泡泡
积分
勋章
室外低速自动导航车的设计(8)——A*算法在ROS上的移植
室外低速自动导航车的设计(7)——基于ROS的多类传感器数据的融合与匹配
室外低速自动导航车的设计(6)——ROS地图的坐标,原点与配准
室外低速自动导航车的设计(5)——ROS MAP转换为JPEG并在APP上进行显示
室外低速自动导航车的设计(4)——APP与机器人内的ROS地图的同步和匹配
室外低速自动导航车的设计(3)——D435深度传感器的使用
室外低速自动导航车的设计(2)——多线激光雷达的点云解析
室外低速自动导航车的设计(1)——基础硬件配置
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