犀牛派X1使用mid-360激光雷达(入门方法)

s6807 2026-10-03 17:43:03

简要概述:本文主要指导mid-360的入门使用,从驱动出点云,到利用FAST-LIO2建图,进而利用其导航避障等,给出了具体学习路线,让路径变得明晰。


 可以通过这个网页互动app来跟踪指导自己的学习进度,更加详细的指导尽在这里。

https://3015-01m3zj97tcq5bcpcsmkqr7z43t.sandbox.meoo.host/


1.准备工作

  • 保证本机为ROS2 Humble
  • 安装Ubuntu22.04
  • 把电脑网卡设置静态网段IP192.168.1.50(要和Mid-360在同一个网段)
  • 下载驱动功能包livox_ros_driver2-master,Livox-SDK2-master,查看点云程序LivoxViewer,rviz2
  • 下载适配算法Fast-Lio2

2.驱动出点云

  • 编译功能包,先改 MID360_config.json 里的 cmd_data_ip / push_msg_ip
    并编译livox_ros_driver2
    再编译Livox SDK2 
  • 详细终端命令见官方指导https://github.com/Livox-SDK/livox_ros_driver2
  • 终端驱动                                                                                                                                                                                启用fast lio2

    cd livox_ws
    source install/setup.bash
    [ros2 launch livox_ros_driver2  msg_MID360_launch.py]
    新开终端
    cd livox_ws
    source install/setup.bash
    ros2 launch fast_lio mapping.launch.py   (此时在rviz2可以看到点云)

  •  

    保存点云

    # 在算法运行时,另开终端录制
    ros2 bag record /cloud_registered /tf -o fastlio_mapping.bag

    或者保存pcd
    ros2 service call /map_save std_srvs/srv/Trigger

3.ROS2与TF骨架(开始进阶指导)

要理解机器人系统的『神经骨架』,TF树是整个导航栈的骨架

  • 学习ROS2的五大通信机制(话题/服务/动作/参数/节点)
  • 学会写节点(订阅,发布,定时器等)
  • TF2坐标变换树(map-odom-basel_link)
  • TF调试工具
  • URDF建模(机器人的仿真模型,含惯量与碰撞体)
  • 了解启动文件launch.py(可以一次性启动多个节点,省去手动一个一个启动)
    • ROS2_control (底盘硬件抽象层,实车电机驱动接入的标准方式)
  • 自定义msg/srv (以后的自动决策可以用)
  • 调试工具链(rqt_graph看节点连接,rqt_console看日志,ros2 topic echo/info)

4.SLAM建图

以下概念要了解,尤其一些关键参数要学会调整(config/mif360.yaml文件的参数)

  • 三维刚体运动,欧拉角
  • 卡尔曼滤波
  • IMU预积分
  • Ikd-Tree
  • FAST-LIO2流程(IMU预测-点云去畸变-迭代卡尔曼滤波-地图增量维护)
  • 同类算法(Fast-LIO/Piont-LIO/LIO-SAM/Fast-LIVO2)

5.定位  

一般流程:赛前建图-赛时加载先验地图-输出map-odom的TF-导航栈(几乎很少实时SLAM)

  • FAST_LIO_LOCALIZATION(最常用的Mid-360定位方案,支持先验PCD地图)
  • 初始位姿给定(rviz手动选点)
  • 重定位(ICP粗配准,粒子散点)
  • 2D降级(pointcloud_to_laserscan+AMCL+slam_toolbox)
  • 定位质量评估(TF抖动,协方差)
  • 里程计(来自激光点云+雷达内置IMU,原理:算法利用激光配准+IMU预积分紧耦合解算位姿)(也可以利用轮式里程计)

6.导航与避障

  • Nav2架构
  • 行为树BT
  • 全局规划器
  • 局部控制器
  • Costmap(二维栅格障碍物地图)
  • voxel_layer(体素层,直接接受原生3D点云)(避免把3D点云转换为二维激光丢失大量三维信息,失去感知三维能力)
  • 底盘运动学
  • 速度与加速度限制(限制太高会打滑导致定位漂移,限制太低任务超时,实时测调)
  • 频率匹配

7.仿真 标定 工程化

  • Gazebo(仿真器)
  • 数字孪生工作流(即用仿真1 :1复刻真实场地来进行模拟验证)
  • 雷达等参数标定(IMU零偏,轮式里程计)
  • 时间同步(系统时间,雷达时间戳,bag时间三者对齐)
  • 参数管理(yaml分环境,launch参数切换)
  • 分布式通信(ROS_DOMAIN_ID隔离,DDS配置)
  • 一键启动(驱动+定位+导航+决策)
...全文
19 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本研究聚焦风电功率预测领域,提出了一种基于白鲸优化算法(BWO)优化CNN-BiGRU-Attention复合模型的预测方法。该方法利用卷积神经网络(CNN)提取风电数据的局部时空特征,通过双向门控循环单元(BiGRU)捕捉时间序列的长期依赖关系,并引入注意力机制(Attention)动态调整不同时间步长的特征权重,从而提升预测精度。为进一步优化模型超参数,采用白鲸优化算法(BWO)对模型的学习率、网络层数、神经元数量等关键参数进行全局寻优,解决了传统经验调参效率低、效果差的问题,最终实现了对风电功率的高精度预测。; 适合人群:具备一定编程基础,熟悉机器学习与深度学习算法,从事新能源预测、电力系统调度或相关领域研究的研发人员和科研工作者。; 使用场景及目标:①针对风电等可再生能源出力的强随机性和波动性,实现高精度的功率预测;②为电力系统调度、储能配置、电网稳定性分析等提供可靠的数据支持;③为研究者提供一个结合先进优化算法与深度学习模型的完整实现范例,用于学术研究或工程应用。; 阅读建议:此资源以Matlab代码实现为核心,不仅展示了模型构建与优化的全过程,更强调了算法设计背后的逻辑与工程考量。学习者应在理解各模块(CNN、BiGRU、Attention、BWO)原理的基础上,动手实践并调试代码,重点关注数据预处理、模型超参数优化及结果可视化等环节,以达到最佳学习效果。

7,745

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、IoT、PC 、XR、Auto等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
物联网人工智能开源 企业社区 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧