《机器人实践开发①：Foxglove 开发环境完整搭建指南(含常见坑位) 》

优质文章学习记录

— 3 min read
《机器人实践开发①：Foxglove 开发环境完整搭建指南(含常见坑位) 》

导语:

在机器人项目中，调试工具往往比算法本身更耗时间。Foxglove 作为新一代机器人可视化平台，提供了强大的话题订阅、视频显示、3D 展示和日志分析能力。本篇从零开始，手把手带你完成 Foxglove 的环境搭建，包含依赖安装、连接配置以及常见踩坑点。

《机器人实践开发》系列文章索引

《机器人实践开发①：Foxglove 开发环境完整搭建指南（含常见坑位）》

《机器人实践开发②：Foxglove 嵌入式移植 + CMake 集成》

《机器人实践开发③：Foxglove可视化机器人的眼睛-视频》

《机器人实践开发④：Foxglove可视化机器人的耳朵-声音》

《机器人实践开发⑤：Foxglove可视化机器人的3D显示》

《机器人实践开发⑥：Foxglove可视化机器人传感器数据》

《机器人实践开发⑦：Foxglove可视化机器人的日志显示》

《机器人实践开发⑧：Foxglove可视化机器人的地图显示》

《机器人实践开发⑨：Foxglove可视化机器人的MyBag 数据回放》

foxglove 官网

Foxglove 是一个专为机器人团队打造的平台，用于收集、分析和学习构建、训练、部署和操作可靠机器人所需的大量多模态数据。

foxglove_Home_hero_2024_new

foxglove 安装

在这里插入图片描述

ubuntu运行foxglove_bridge完成

echo "start run foxglove ... ... " killall -9 foxglove_bridge ros2 launch foxglove_bridge foxglove_bridge_launch.xml port:=8765

Ros 运行仿真测试程序

在这里插入图片描述

运行 macOS 上面的Foxglove studio，设置远程连接的地址：

在这里插入图片描述


在这里插入图片描述

控制面板设置-主题是否可见

在这里插入图片描述

web网页端也可以使用

注意：webs 没有 ssl 所以chrome 认为不安全，需要网页加载脚本

选择设置面板

在这里插入图片描述

友情提示🔔

🙏 感谢你的阅读！
如果这篇文章对你有所启发，欢迎关注我 ⭐，欢迎点击 “打赏支持作者” 支持一下我，你的支持是我持续创作的最大动力！
我会持续分享更多关于 智能摄像头 📷、机器人实践、 🤖音视频 RTC 🎧、App 开发 📱、嵌入式开发 🔧 等方向的实战经验，让你更快落地、更少踩坑。
欢迎浏览我其他文章 📚，或许能解决你当前的难题。
如果你正好在做相关项目产品，也欢迎随时私信我，一起技术交流、一起搞事情！ 🤝💬📞 联系微信/电话：13826173658

Read more

FPGA实现任意角度图像旋转_(图像旋转原理部分)

1.摘要         书接上回，介绍完Cordic原理部分FPGA实现任意角度图像旋转_（Cordic算法原理部分），和代码FPGA实现任意角度图像旋转_（Cordic算法代码部分），得到了至关重要的正余弦数值就可以进行旋转公式的计算了。        旋转没什么太多原理，看了很多资料感觉是描述的非常复杂， 其实本质就是实现两个公式，非整那么多花里胡哨的。所以我就按照我当时的编写思路记录一下。 2.图像旋转代码设计思路         2.1 旋转后的图像尺寸                 在一副图像经过旋转后，原本像素的位置肯定会发生变化，图像总的面积虽然保持不变但是各别位置的尺寸会改变，这个应该很好理解。比如一副100x100像素的图像进行旋转，我们只需要获得它的最长距离也就是对角线的尺寸作为旋转后的图像的显示范围。这样无论怎样旋转都能完整显示图像。                 如下代码，Pixel_X和Pixel_Y为旋转后图像的尺寸。ROW和COL为原始图像尺寸，利用勾股定理求出对角线的值即可。 reg [12:0] row_size ; reg [
介绍终身机器人学习的数据集LIBERO

介绍终身机器人学习的数据集LIBERO

1 LIBERO的作用 LIBERO是一个用于研究多任务和终身机器人学习中知识迁移的综合基准测试平台，LIBERO是基于robosuite框架构建的。它专注于机器人操作任务，这些任务需要两类知识： 1. 陈述性知识：关于物体和空间关系的知识 2. 程序性知识：关于运动和行为的知识 2 核心原理 任务生成与基准设计 LIBERO提供了一个程序化生成管道，原则上可以生成无限数量的操作任务。系统包含130个任务，分为四个任务套件，每个套件都有受控的分布偏移： * LIBERO-Spatial/Object/Goal：专注于特定类型知识的迁移 * LIBERO-100：包含需要迁移纠缠知识的100个操作任务 学习框架 系统采用模仿学习作为主要学习方法，因为任务使用稀疏奖励函数（任务完成时获得+1奖励）。LIBERO提供高质量的人类遥操作演示数据集用于训练。 算法与策略架构 LIBERO实现了三种视觉运动策略网络： * bc_rnn_policy：基于RNN的行为克隆策略 * bc_transformer_policy：基于Transformer的行为克隆策略
【经典论文阅读】完整梳理 FCOS (Fully Convolutional One-Stage Object Detection)

【经典论文阅读】完整梳理 FCOS (Fully Convolutional One-Stage Object Detection)

一、研究背景（Background） 相关领域概要： * 目标检测（Object Detection）：给定一张图像，找出其中所有感兴趣物体的边界框（Bounding Box） + 类别标签。是计算机视觉最基础、最核心的高层任务之一。 * 主流范式（2019年之前）：几乎所有先进检测器（如 Faster R-CNN、SSD、RetinaNet、YOLOv3）都依赖 锚框（Anchor Boxes）——即在特征图每个位置预设一组不同尺度、长宽比的候选框，再通过分类+回归进行精修。 🔍 举个例子： 在一张 800×800 的图上，用特征金字塔（FPN）生成 5 层特征图，每层每个位置放 9 个 anchor（不同大小/比例），总计约 18 万个预设框—

Lychee-Rerank部署教程：国产化信创环境（统信UOS+申威CPU）适配方案

Lychee-Rerank部署教程：国产化信创环境（统信UOS+申威CPU）适配方案 1. 项目简介与背景 Lychee-Rerank是一个专门用于检索相关性评分的本地工具，它基于成熟的推理逻辑和Qwen2.5-1.5B模型开发而成。这个工具的核心功能是帮助用户评估查询语句与文档内容之间的匹配程度，为文档检索和排序提供量化依据。 在实际应用中，我们经常需要从大量文档中快速找到与特定查询最相关的内容。传统的关键词匹配方法往往不够精准，而基于深度学习的相关性评分能够更好地理解语义层面的关联。Lychee-Rerank正是为了解决这个问题而设计，它能够在完全离线的环境下运行，确保数据隐私和安全。 该工具特别适配了国产化信创环境，包括统信UOS操作系统和申威CPU架构，为国内用户提供了完整的本地化解决方案。无论是企业知识库检索、文档管理系统，还是学术研究中的文献筛选，Lychee-Rerank都能提供准确可靠的相关性评分服务。 2. 环境准备与依赖安装 2.1 系统要求 在开始部署之前，请确保您的系统满足以下基本要求： * 操作系统：统信UOS 20及以上版本 * CP