《从零搭建自主无人机》—2——硬件设备搭建及EGOPlanner实现

《从零搭建自主无人机》—2——硬件设备搭建及EGOPlanner实现

一、主要参考:

ZJU-FAST-Lab/ego-plannerhttps://github.com/ZJU-FAST-Lab/ego-planner【完结】从0制作自主空中机器人 | 开源 | 浙江大学Fast-Lab_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1WZ4y167me/?spm_id_from=333.1387.favlist.content.click&vd_source=cc27dfcb640aa62a70874f5ec72a2143

二、硬件组成:

这里所用硬件设备:

1、OrangePi 5 MAX/ Inter NUC

2、Holybro Pixhawk 6C

3、Intel RealSense D435i Depth Camera

4、格式4s 2300mah 45C

5、HKSRC 2205-2450KV / T-Motor V2306-2400KV

6、HSKRC 45A / Formula 32 bit 45A

7、乾丰 51466 V2三叶五寸桨

=》备选方案:怪象35机架,银燕2004 2000kv,d90三叶桨,微空micoair743飞控,微空50a电调,4s或6s锂电池。

二、依赖源码安装:

1、安装 Fast-Drone-250 项目:

git clone https://github.com/ZJU-FAST-Lab/Fast-Drone-250 # 若无法 clone,可直接下载 ZIP 并解压 cd Fast-Drone-250/

2、realsense驱动安装:

sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE || sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE 
sudo add-apt-repository "deb https://librealsense.intel.com/Debian/apt-repo $(lsb_release -cs) main" -u
sudo apt-get install librealsense2-dkms sudo apt-get install librealsense2-utils sudo apt-get install librealsense2-dev sudo apt-get install librealsense2-dbg

然后运行realsense-viewer进行测试一下

3、安装ceres与glog与ddyanmic-reconfigure

解压 3rd_party.zip 压缩包,进入glog文件夹打开终端

cd glog ./autogen.sh && ./configure && make && sudo make install
sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3 libgflags-dev libgoogle-glog-dev libgtest-dev

进入ceres文件夹打开终端:

mkdir build cd build cmake .. sudo make -j4 sudo make install sudo apt-get install ros-noetic-ddynamic-reconfigure

4、编译项目,仿真测试:

cd ~/Fast-Drone-250 catkin_make source devel/setup.bash # 测试运行 roslaunch ego_planner single_run_in_sim.launch 

在Rviz仿真:

三、实测:

分别在树林车库环境实机测试=》

四、总结:

参考:规划框架 | EGO planner 规划算法流程与ROS仿真_egoplanner-ZEEKLOG博客https://blog.ZEEKLOG.net/m0_61750953/article/details/144130349?ops_request_misc=&request_id=&biz_id=102&utm_term=egoplanner&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-144130349.142^v102^control&spm=1018.2226.3001.4187

高飞老师组的px4ctrl理解-ZEEKLOG博客https://blog.ZEEKLOG.net/m0_50633073/article/details/134885408?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522839fe5c3649219f8bd9bb539e7c8fb02%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=839fe5c3649219f8bd9bb539e7c8fb02&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-2-134885408-null-null.142^v102^control&utm_term=px4ctrl&spm=1018.2226.3001.4187

Read more

AI 辅助编程革命:如何利用 GitHub Copilot 等工具重塑开发效率

AI 辅助编程革命:如何利用 GitHub Copilot 等工具重塑开发效率

AI 辅助编程革命:如何利用 GitHub Copilot 等工具重塑开发效率 在2026年的软件开发领域,人工智能已不再是“锦上添花”的玩具,而是工程师手中的“第二大脑”。以 GitHub Copilot、Cursor、Amazon Q Developer 为代表的AI编程助手,正从根本上重构代码编写、调试和维护的全流程。 据统计,熟练运用AI辅助工具的开发者,其编码效率平均提升了40%-55%,且在样板代码(Boilerplate)和单元测试生成上效率提升甚至超过80%。然而,工具的强大并不意味着可以“无脑依赖”。本文将深入探讨如何利用AI辅助编程提高开发效率,涵盖代码补全、错误检测、文档生成及架构设计等核心场景,并揭示人机协作的最佳实践。 一、智能代码补全:从“打字员”到“指挥官” 传统的IDE补全仅基于语法提示,而现代AI助手能理解上下文语义、项目结构甚至业务逻辑,实现“意图级”补全。 1.

什么是Agentic AI?Agentic AI 与传统 AIGC 有什么区别?

什么是Agentic AI?Agentic AI 与传统 AIGC 有什么区别?

什么是 Agentic AI?Agentic AI 与传统 AIGC 有什么区别? 1. 引言 近年来,人工智能(AI)技术飞速发展,其中以生成式 AI(AIGC,Artificial Intelligence Generated Content)和 Agentic AI(智能代理 AI)最为热门。AIGC 通过深度学习模型生成文本、图像、视频等内容,而 Agentic AI 则更进一步,能够自主感知、决策并执行任务。那么,Agentic AI 究竟是什么?它与传统的 AIGC 有何不同?在本文中,我们将深入探讨 Agentic AI 的概念、技术原理、

从语法纠错到项目重构:Python+Copilot 的全流程开发效率提升指南

从语法纠错到项目重构:Python+Copilot 的全流程开发效率提升指南

文章目录 * 从语法纠错到项目重构:Python+Copilot 的全流程开发效率提升指南 💻✨ * 一、语法纠错:Copilot 如何成为你的“实时校对员” ✅ * 示例 1:自动修复缩进错误 * 示例 2:括号/引号自动闭合与修复 * 示例 3:类型注解缺失的智能补充 * 实战技巧:结合 Linter 使用 Copilot * 二、代码生成:从单行补全到完整函数实现 🧠⚡ * 示例 4:用注释驱动函数生成 * 示例 5:生成单元测试 * 示例 6:异步 HTTP 请求生成 * 三、调试辅助:Copilot 如何帮你“读懂”错误信息 🐞🔍 * 场景:遇到 `KeyError` 怎么办? * 场景:

突破机器人动态控制瓶颈:重力补偿技术实战指南

突破机器人动态控制瓶颈:重力补偿技术实战指南 【免费下载链接】mujocoMulti-Joint dynamics with Contact. A general purpose physics simulator. 项目地址: https://gitcode.com/GitHub_Trending/mu/mujoco 问题:为何移动机器人在斜坡上总是"力不从心"? 当配送机器人满载货物行驶在15°斜坡时,即使电机全力输出,速度仍会逐渐下降;当手术机器人的机械臂在不同姿态下执行缝合任务时,相同的控制指令却导致不同的操作精度。这些现象背后隐藏着同一个核心挑战——重力场对机器人动力学的非线性影响。在多关节机器人系统中,每个关节的重力负载会随位形变化而呈现复杂的耦合关系,就像人类搬运重物时,手臂角度不同会明显感受到负载的变化。 传统控制方法往往将重力影响视为干扰量,通过PID反馈调节进行抑制,但这种方式在高速动态场景下会导致明显的滞后误差。据国际机器人学研究期刊(2023)统计,未进行重力补偿的机器人系统在垂直平面内的轨迹跟踪误差平均可达3.2mm,而经过补偿的系统误差可降低至0.