一:ROS2+gazebo+PX4环境搭建:环境搭建到无人机起飞

前言

写博客记录学习的过程。

由于博客是安装完环境后写的,因此实际可能会有一些出入,但是实际上也大差不差的。

环境搭建

前置环境

  • ROS2 humble
  • Gazebo Classic (11)

1.下载 PX4 源码

在你的 Home 目录下,用 Git 克隆 PX4 的代码仓库,并更新所有子模块。

git clone https://github.com/PX4/PX4-Autopilot.git --recursive

注意:由于这个源码中包含许多子模块,因此不建议到github主页下载zip再解压,这样做会缺失许多子模块。使用大陆的网络克隆起来会十分慢,因此强烈建议大家使用网络加速!

2.运行自动安装脚本

PX4 提供了自动化脚本,可以帮你安装编译仿真环境所需的所有依赖。

cd PX4-Autopilot bash ./Tools/setup/ubuntu.sh

由于我这里只用到仿真,并没有与阵势的硬件交互,所以我在运行自动安装脚本的时候,选择不安装固件/编译环境,还有一个原因是安装编译环境的时间太长了,大家可以自行选择。

cd PX4-Autopilot bash ./Tools/setup/ubuntu.sh --no-nuttx

3.编译并运行一个事例

PX4-Autopilot目录下

make px4_sitl gazebo-classic_iris

注意:第一次编译会有点慢,这是正常情况,请耐心等待

像这样弹出gazebo,并且gazebo中显示一个黑色的无人机,则成功了!

4.安装并配置 QGC(地面站)

QGroundControl (QGC) 就是你在地面监控和操控飞机的电脑软件 。安装前,需要先给 Ubuntu 系统做一点小配置,确保它能正常和“飞机”通信。

# 将你的用户添加到 dialout 组,以便访问 USB 设备 sudo usermod -aG dialout "$(id -un)" # 移除 ModemManager,它会干扰串口通信 sudo apt-get remove modemmanager -y # 安装 GStreamer 相关库,用于支持视频流 sudo apt install gstreamer1.0-plugins-bad gstreamer1.0-libav gstreamer1.0-gl -y sudo apt install libfuse2 -y sudo apt install libxcb-xinerama0 libxkbcommon-x11-0 libxcb-cursor-dev -y

https://docs.qgroundcontrol.com/master/zh/qgc-user-guide/getting_started/download_and_install.html中找到linux版本下载并将固件移到主目录下。

# 赋予 AppImage 文件执行权限 chmod +x ./QGroundControl-x86_64.AppImage

5.安装 Micro-XRCE-DDS-Agent(ROS2与PX4通信桥梁)

# 安装依赖 sudo apt install -y ros-humble-ros-base ros-humble-geometry-msgs ros-humble-sensor-msgs # 编译Micro-XRCE-DDS-Agent cd ~ git clone https://github.com/eProsima/Micro-XRCE-DDS-Agent.git cd Micro-XRCE-DDS-Agent mkdir build && cd build cmake .. make sudo make install sudo ldconfig /usr/local/lib/

注意:在编译Micro-XRCE-DDS-Agent时,对网络的要求很高,使用国内网络的朋友建议开启网络加速,即使开启了网络加速,也需要一定时间,此时需要耐心等待。

6.配置 PX4 的 ROS2 接口

cd ~/PX4-Autopilot # 你的PX4目录 # 安装Python依赖 pip3 install --user -U empy pyros-genmsg setuptools # mkdir -p ros2_ws/src cd ros2_ws/src # 克隆PX4消息包 git clone https://github.com/PX4/px4_msgs.git git clone https://github.com/PX4/px4_ros_com.git # 编译 cd .. colcon build

注意:在安装Python依赖时,可能会出现版本的问题,此时需要调整版本,反正我是用这个:

# 降级到稳定组合 pip3 install --user empy==3.3.4 setuptools==59.8.0

注意:每次创建PX4的工作空间,都要克隆PX4的消息包。

7.启动

# 终端1:启动Micro-XRCE-DDS-Agent(通信桥梁) MicroXRCEAgent udp4 -p 8888 # 终端2:启动Gazebo仿真 cd ~/PX4-Autopilot make px4_sitl gazebo-classic_iris # 或者其他机型:gazebo-classic_iris_depth_camera, gazebo-classic_iris_vision等 # 终端3:启动QGroundControl(可选,用于监控) ./QGroundControl-x86_64.AppImage # 终端4:进入工作空间再启动,无人机起飞! ros2 run px4_ros_com offboard_control

总结

本文章完成了ROS2 + gazebo classic + PX4的仿真环境搭建,对后续无人机仿真的学习打下了坚实的环境基础。

这篇文章是我第一次写的文章,有些不足的地方可及时指出,也请多多包容。

参考资料

PX4飞控官网:https://docs.px4.io/main/zh/

QCG地面站:https://qgroundcontrol.com/

Read more

AI驱动的自动化运维机器人:从“数字劳动力”到“智能协作者”的进化

AI驱动的自动化运维机器人:从“数字劳动力”到“智能协作者”的进化

在IT运维的战场上,一场静默的革命正在发生。传统的人力运维模式,面对日益复杂的混合云架构、海量微服务与瞬息万变的业务需求,已显露出疲态。重复、繁琐、高风险的日常操作消耗着工程师的精力,而突发的故障与变更则让他们疲于奔命。企业亟需一种全新的力量,来打破人力瓶颈,释放创新潜能。 AI驱动的自动化运维机器人,正是这股破局之力。它并非冰冷的脚本集合,而是融合了UI自动化、人工智能(AI)与智能编排的“数字员工”。它能够模拟人类操作,理解复杂意图,并自主执行从日常巡检到故障自愈的全链路任务,标志着运维从“人力密集型”向“人机协同智能化”的根本性转变。 一、传统运维的“人力困局”:在重复与风险中内耗 运维工程师的日常,常常陷入一种价值感低迷的循环: 1. “永动机”式的重复劳动:每日登录数十个系统查看状态、手动执行数百台服务器的补丁更新、反复填写格式化的巡检报告、在多个平台间“搬运”数据以创建工单……这些高度重复、规则明确的工作,占据了工程师70%以上的时间,却难以带来成长与成就感。 2.

ComfyUI:AI绘画与图像生成的高效工作流

ComfyUI:AI绘画与图像生成的高效工作流

引言:AI绘画工具的进化史 在AI绘画领域,从早期的GAN模型到如今的扩散模型,工具的进化始终围绕两个核心命题:生成质量与可控性。ComfyUI作为基于节点式流程的Stable Diffusion高级操作界面,通过可视化编程的方式将传统黑箱式生成过程显式化、流程化,用户可精准控制从模型加载到最终输出的每个步骤。其核心价值不仅在于"画得好",更在于"控得住"——通过模块化设计实现工作流的复用、复制与版本管理,成为AI图像、视频、3D商业化交付的底层操作系统。 技术解析:ComfyUI的界面设计与核心功能 界面架构:节点式编程的革命 ComfyUI的界面采用类似UE4蓝图的可视化编程架构,每个节点代表一个功能模块: # 示例:TimesTwo自定义节点代码classTimesTwo:@classmethoddefINPUT_TYPES(cls):return{"required":{"input1":("INT",{})}} RETURN_TYPES =("INT"

基于STM32的智能家居环境监测与控制系统设计

基于STM32的智能家居环境监测与控制系统设计

基于STM32的智能家居环境监测与控制系统设计 摘要 本论文设计并实现了一种基于STM32F103C8T6单片机的智能家居环境监测与控制系统。系统通过集成多参数环境传感器,构建了完整的家居环境感知-决策-执行闭环,实现了对室内温湿度、烟雾浓度、一氧化碳、空气质量、光照强度及大气压强的精准监测。设计采用模块化架构,利用OLED显示屏进行本地数据可视化,通过步进电机控制窗户开闭实现自动通风,结合LED照明系统调节室内光线,并借助ESP8266-WIFI模块接入机智云平台实现远程监控。系统支持手动模式(APP远程控制)与自动模式(阈值触发联动)双模式运行,创新性地引入用户习惯学习的阈值自适应机制,显著提升系统个性化体验。测试表明,系统在典型家居环境中温湿度误差<±2%,气体浓度误差<±5%,关键安全事件响应时间<3秒,WIFI连接成功率>98%,功耗控制在待机<1W的水平。本设计不仅有效提升了家居环境的安全性与舒适度,还通过智能化管理降低了能源消耗,为低成本、高可靠性的智能家居系统开发提供了实践范本。 关键词:STM32;智能家居;环境监测;WIFI通信;机智云;自动控制;多传感器融

【FPGA实战】基于AD7606的8通道高速同步采集系统设计与Verilog实现(附完整源码)

前言:为什么AD7606是工业数据采集的“黄金标准”? 在工业控制、电力监测、医疗设备、雷达信号处理等高精度多通道数据采集场景中,ADI公司的AD7606几乎成了行业标配。它是一款16位、8通道、真差分输入、同步采样ADC,最高支持200 kSPS采样率,内置抗混叠滤波器和可编程增益,极大简化了前端模拟电路设计。 而如何用FPGA高效驱动AD7606,并实现稳定可靠的数据读取?这正是本文要深入剖析的核心问题。 今天,我们将从FPGA开发专家的视角,手把手带你构建一个高性能、低延迟、可调试的AD7606采集系统。无论你是刚入门FPGA的新手,还是正在攻坚项目的资深工程师,这篇文章都将为你提供极具价值的参考。 第一章:系统架构概览 —— 从需求到顶层设计 1.1 AD7606关键特性回顾 * 8通道同步采样(CH0~CH7) * 16位分辨率,±5V或±10V输入范围(由RANGE引脚控制) * 并行/串行输出模式(本设计采用串行SPI模式) * CONVST A/B:启动A组/B组转换(可独立或同时触发) * BUSY: