激光雷达

一、驱动的安装。 SLAMTEC官网下载激光雷达资料： http://www.slamtec.com/ 本人用的是RPLIDAR-A1的激光雷达 在下载界面下载相应的资料，sdk与固件及其他。 二、安装。 1、建立工作空间并编译（也可以使用现有的空间）。 mkdir - p ~ /turtlebot_ws/ src cd ~ /turtlebot_ws/ src git clone https : //github.com/ncnynl/rplidar_ros.git 2、编译（返回上层）。 cd .. catkin_make 3、添加环境变量（也可以直接在~/.bashrc中设置，在下次打开时就不用在设置了）。 echo “ source ~ /turtlebot_ws/ devel / setup . bash ” >> ~/. bashrc 4、端口配置。 检查端口权限 ls - l / dev | grep ttyUSB 赋予端口权限 sudo chmod a + rw / dev / ttyUSB0 三、运行。 1、打开roscore roscore 2、进入工作空间运行rplidar和rviz cd ~/ turtlebot_ws . devel / setup . bash roslaunch rplidar_ros view_rplidar . launch

智能驾驶技术的迭代研发，需要多种传感器、海量数据、海量场景的支撑。而目前多种传感器Gbit/s级别的数据同步采集、海量数据的快速分析和评估、关键场景的切片和提取，是业界公认的棘手问题。 为了解决上述的棘手问题，经纬恒润推出了智能驾驶实车测试系统——VDAS。VDAS主要由数据采集设备、环境感知系统、数据分析软件VDA组成。 数据采集设备 数据采集设备由车载工控机、多种数据采集板卡、传感器、车载显示屏等组成。通过配套的数据采集软件，实现各类车载总线数据、感知数据的采集，适配CAN/CANFD、以太网、车载以太网、USB、串口等各类常用接口。 感知系统 通过激光雷达、高清网络摄像头、组合导航传感器，并结合先进的环境感知算法和传感器融合算法，可以精确地感知周围环境信息，包括周围交通参与者的类别、距离、速度、加速度、航向角等，以及周围交通标志的距离、类型、颜色等，对于车道线检测，还可以检测是否越线，以及统计压线次数等。 下面的动图为在城市快速路场景，激光雷达通过多目标跟踪、机器学习分类等算法输出的感知效果。 激光雷达感知 为了减少单个传感器的检测不确定度，系统采用激光雷达+摄像头的信息融合方案，结合激光雷达高精度与摄像头信息丰富的特点，最终融合效果如下图所示。 激光雷达+摄像头传感器融合 通过相机标定与图像特征提取，系统可以识别出车道线信息，具体包括车道线类型、与车道线距离

文章目录 【笔记】apollo无人驾驶 - 百度技术学院（只记录了高精地图+感知） 0. 视频链接： 1. 知识点 HD Map 高精地图（lidar 采集的） 定位 传感器 传感器融合 2. apollo 技术框架 3. 研发流程 4. 高精地图 5. 感知 【笔记】apollo无人驾驶 - 百度技术学院（只记录了高精地图+感知） 0. 视频链接： https://www.bilibili.com/video/av56529220/?p=43 1. 知识点 HD Map 高精地图（lidar 采集的） HD Map: 车道线级别，含红绿灯位置，交通标志位置类别信息。 Intensive Map: 含静态障碍物、电线杆、树。 定位 GPS: 全球定位系统，米级别； RTK：架基站一样的定位站，10cm 级别； IMU：惯性导航，提供加速度等信息； 几何定位：根据周围的环境信息类定位，如隧道场景中 传感器 lidar 激光雷达：波长是纳米级别的，发出的是激光束，基本沿实现传播，不能绕过雾霾，雨滴。感知和建地图都会用到激光雷达。 radar 雷达：全天候的， 摄像头： 毫米波雷达：波长毫米级别，检测距离不够远，倒车使用。 传感器融合 摄像头、激光雷达、毫米波雷达：不同传感器中的对同一个目标感知出的数据不同，最后融合做分割、分类、跟踪。 2. apollo 技术框架 框架分四层： 3.

一、驱动的安装。 SLAMTEC官网下载激光雷达资料： http://www.slamtec.com/ 本人用的是RPLIDAR-A1的激光雷达 在下载界面下载相应的资料，sdk与固件及其他。 二、安装。 1、建立工作空间并编译（也可以使用现有的空间）。 mkdir -p ~/turtlebot_ws/src cd ~/turtlebot_ws/src git clone https://github.com/ncnynl/rplidar_ros.git 2、编译（返回上层）。 cd .. catkin_make 3、添加环境变量（也可以直接在~/.bashrc中设置，在下次打开时就不用在设置了）。 echo “source ~/turtlebot_ws/devel/setup.bash” >> ~/.bashrc 4、端口配置。 检查端口权限 ls -l /dev |grep ttyUSB 赋予端口权限 sudo chmod a+rw /dev/ttyUSB0 三、运行。 1、打开roscore roscore 2、进入工作空间运行rplidar和rviz cd ~/turtlebot_ws . devel/setup.bash roslaunch rplidar_ros view_rplidar.launch 这时就可以看到激光雷达工作的界面了。 来源： https://www

假设有个小车在道路上向右侧匀速运动，我们在左侧安装了一个测量小车距离和速度传感器，传感器每1秒测一次小车的位置s和速度v，如下图所示。 我们用向量xt来表示当前小车的状态，该向量也是最终的输出结果，被称作状态向量（state vector）： 由于测量误差的存在，传感器无法直接获取小车位置的真值，只能获取在真值附近的一个近似值，可以假设测量值在真值附近服从高斯分布。 如下图所示，测量值分布在红色区域的左侧或右侧，真值则在红色区域的波峰处。 由于是第一次测量，没有小车的历史信息，我们认为小车在1秒时的状态x与测量值z相等，表示如下： 公式中的1表示第1秒。 预测是卡尔曼滤波器中很重要的一步，这一步相当于使用历史信息对未来的位置进行推测。 根据第1秒小车的位置和速度，我们可以推测第2秒时，小车所在的位置应该如下图所示。 会发现，图中红色区域的范围变大了，这是因为预测时加入了速度估计的噪声，是一个放大不确定性的过程。 根据小车第一秒的状态进行预测，得到预测的状态xpre： 其中，Pre是Prediction的简称；时间间隔为1秒，所以预测位置为距离+速度*1；由于小车做的是匀速运动，因此速度保持不变。 在第2秒时，传感器对小车的位置做了一次观测，我们认为小车在第2秒时观测值为z2，用向量表示第2秒时的观测结果为： 很显然，第二次观测的结果也是存在误差的

准研一，暑假在北京一家公司实习，初步学习ROS，在公司里测试了许多机器人，在这里汇总分享一下，实习了俩月虽然学到了满多东西，但觉得自己也不算完全入门，只是对ROS有了初步的了解，实习到现在我掌握的最重要的一个技能应该就是自主学习能力了，Github ros.wiki等网站的学习以及资料查询能力；认识到自己最严重的不足是编程能力，ROS中大多使用c++和python，在初步入门之后尝试开发以及创新时编程能力成了我最大的障碍。 下面是一些自己接触的机器人，大都只是测试了其功能，基础中的基础… KINOVA 在公司里使用的是KINOVA JACO2系列的机械手臂，JACO系列总共有三种类型：按自由度分为4DOF， 6DOF， 7DOF三种；夹抓分为2指和3指；手腕有类型有球型和非球型等等。在功能包中的表示方式为：例j2n7s300表示JACO二代腕部非球型的7自由度3指机械臂。 KINOVA控制方式： 手柄控制 ， GUI界面控制（与手柄相似） ROS功能包控制，MoveIt！（功能包地址 https://github.com/Kinovarobotics/kinova-ros）功能包内容较多，需要更加深入研究 机械臂通用：moveit_setup_assistant配置机械臂，控制真实机械臂时需要ros_control功能包（参考http://www.guyuehome.com/890