无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

无人机避障——Mid360+Fast-lio感知建图+Ego-planner运动规划(胎教级教程)

电脑配置:Xavier-nx、ubuntu 18.04、ros melodic

激光雷达:Livox_Mid-360

结果展示:左边Mid360+Fast-lio感知建图,右边Ego-planner运动规划

1、读取雷达数据并显示

无人机避障——感知篇(采用Livox-Mid360激光雷达获取点云数据显示)-ZEEKLOG博客

看看雷达数据话题imu以及lidar两个话题 

2、读取雷达数据并复现fast-lio 

无人机避障——感知篇(采用Mid360复现Fast-lio)-ZEEKLOG博客

启动fast-lio,确保话题有输出 

 由于此处不需要建图,因此不打开rviz,launch文件如下修改:

<launch> <!-- Launch file for Livox MID360 LiDAR --> <arg name="rviz" default="true" /> <rosparam command="load" file="$(find fast_lio)/config/mid360.yaml" /> <param name="feature_extract_enable" type="bool" value="0"/> <!-- 100HZ的bag point_filter_num建议设置为1; 10HZ的bag建议设置为2或3 --> <param name="point_filter_num" type="int" value="3"/> <param name="max_iteration" type="int" value="3" /> <param name="filter_size_surf" type="double" value="0.5" /> <param name="filter_size_map" type="double" value="0.5" /> <param name="cube_side_length" type="double" value="1000" /> <param name="runtime_pos_log_enable" type="bool" value="0" /> <node pkg="fast_lio" type="fastlio_mapping" name="laserMapping" output="screen" /> <!-- <group if="$(arg rviz)"> <node launch-prefix="nice" pkg="rviz" type="rviz" name="rviz" args="-d $(find fast_lio)/rviz_cfg/loam_livox.rviz" /> </group> --> </launch> 

然后运行:

roslaunch fast_lio mapping_mid360.launch

看一下话题:

rostopic list

 看下/Odometry与/cloud_registe

Read more

【hacker送书第14期】AI训练师算法与模型训练从入门到精通

【hacker送书第14期】AI训练师算法与模型训练从入门到精通

全面精通人工智能训练,成为行业领先、更懂AI的人! * 前言 * 内容简介 * 总结 * 参与方式 前言 在人工智能(AI)技术日益成熟的今天,AI训练师成为了一个新兴且重要的职业。他们不仅需要掌握AI的核心技术,还要能够将这些技术应用于实际问题中。《AI训练师算法与模型训练从入门到精通》,由北京大学出版社出版,正是为了满足这一需求而编写的专业书籍。它旨在帮助读者从基础概念到高级应用,全面掌握AI训练师所需的技能和知识。 内容简介 《AI训练师算法与模型训练从入门到精通》是一本系统全面、实例丰富的专业书籍,全书共分为10章,包括51个实操案例解析和80个行业案例分析。通过学习本书,读者可以从零开始,逐步掌握人工智能的核心技术,成为合格的AI训练师。本书附赠了同步教学视频、PPT教学课件、素材、效果、AI提示词等资源,为读者提供了全方位的学习支持。 书中内容从技能线和案例线两个维度展开介绍: 技能线:从人工智能的相关技术入手,介绍了AI训练师的发展历程和行业动态,重点讲述了AI训练师的职业技能提升方法。具体内容包括认识AI训练师、能力培养、Py

Android计算摄影实战:多帧合成、HDR+与夜景算法深度剖析

引言:计算摄影如何重塑移动摄影体验 随着智能手机传感器尺寸逼近物理极限,计算摄影已成为提升移动摄影质量的唯一路径。Google的HDR+、Apple的Deep Fusion、华为的XD Fusion等技术正在重新定义手机摄影的可能性。本文将深入解析这些技术背后的算法原理,并提供完整的Android实现方案。 第一章:计算摄影基础理论 1.1 图像信号处理(ISP)与计算摄影对比 传统ISP流程: RAW图像 → 降噪 → 去马赛克 → 白平衡 → 色调曲线 → 锐化 → JPEG压缩 计算摄影流程: 多帧RAW → 对齐 → 融合 → 深度图计算 → 神经网络处理 → 语义分割 → 自适应优化 → 最终图像 1.2 传感器噪声模型 class SensorNoiseModel {dataclassNoiseParameters(val readNoise: Double,// 读取噪声val shotNoiseScale: Double,// 散粒噪声系数val darkCurrent: Double,

【数据结构指南】堆排序和TopK

【数据结构指南】堆排序和TopK

前言:         在上一篇博客中,我们深入了解了堆的基础概念并完成了堆结构的具体实现。         本篇将继续探讨堆在实际应用中的使用场景,重点分析两个核心应用:高效的堆排序算法和解决TopK问题的巧妙方法。          一、建堆          建堆算法是将无序数组转化为符合“堆规则”的完全二叉树(逻辑结构)的核心方法,是堆排序、Top K等所有堆应用的基础。                  相比于通过数据结构中堆的插入建堆,需要额外O(N)的空间复杂度,基于数组原地实现建堆,仅需要O(1)的空间复杂度。                  1.1向上调整算法的回顾          场景实例:假设现在存在一个小堆,要向堆中插入一个元素,并维持堆的结构。          A.核心逻辑          ①新元素插入堆尾后,它的父节点可能比新插入子节点小 —— 让新元素“ 上浮 ”,与父节点交换,直到它比父节点小,或浮到根节点(堆顶)。                       ②简而言之,对于向上调整算法的核心思维就是

数据结构七大排序算法图解——选择排序动图演示

数据结构七大排序算法图解——选择排序动图演示

系列文章目录 四、选择排序 紧接上一篇交换排序 前言: 1、直接选择排序 思想: 例题: 代码部分: 性能分析 2、树形选择排序 思想: 例题一: 例题二: 性能分析 3、堆排序 定义: 方法: 如何“筛选”? 例题: 如何“建初始堆”? 例题: 代码部分 性能分析 4、总结 直接选择排序 树形排序 堆排序 前言: 选择排序的主要思想是每一趟从待排序列中选取一个关键字值最小的记录,也即第 1 趟从 n 个记录中选取关键字值最小的记录,在第 2 趟中,从剩下的 n-1 个记录中选取关键字值最小的记录,直到整个序列中的记录都选完位置。这样,由选取记录的顺序便可得到按关键字值有序的序列。