宇树机器人g1二次开发:建图,定位,导航手把手教程(二)建图部分:开始一直到打开rviz教程

注意:

本教程为ros1,需要ubuntu20.04,使用算法为fase_lio

本教程为遵循的网上开源项目:https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID.git

一、系统环境准备

1.1. 安装必要的依赖库

# 安装C++标准库 sudo apt install libc++-dev libc++abi-dev # 安装Eigen3线性代数库 sudo apt-get install libeigen3-dev

库说明:

  • libc++-dev:C++标准库开发文件
  • libeigen3-dev:线性代数库,用于矩阵运算和几何变换
  • 这些是编译FAST-LIO和Open3D必需的数学和系统库

二、创建工作空间和准备

2.1. 创建定位工作空间

mkdir -p ~/ws_loc/src cd ~/ws_loc/src

把https://github.com/deepglint/FAST_LIO_LOCALIZATION_HUMANOID.git这个项目移到这里

三、获取并配置Open3D库

3.1. 下载预编译Open3D库

3.2. 编辑CMakeLists.txt

# 编辑CMakeLists.txt配置Open3D路径 cd ~/ws_loc/src/FAST_LIO_LOCALIZATION_HUMANOID/open3d_loc nano CMakeLists.txt

3.3. 修改CMakeLists.txt中的Open3D路径

将:set(Open3D_DIR "/home/liar/open3d141/lib/cmake/Open3D")中的liar改成自己home名字修改为你的用户名(假设用户名为 your_username):

set(Open3D_DIR "/home/your_username/open3d141/lib/cmake/Open3D")

保存操作: 修改完后按 Ctrl+X,然后输入 Y,最后按 Enter

3.4. 完成Open3D的配置

cd ~/ws_loc catkin_make -DROS_EDITION=ROS1

 

四、安装Livox SDK和相关驱动

4.1. 安装Livox-SDK2

# 克隆Livox-SDK2 git clone https://github.com/Livox-SDK/Livox-SDK2
# 编译安装 cd Livox-SDK2 mkdir build && cd build cmake .. && make -j sudo make install

4.2. 安装Livox-SDK(旧版)

# 克隆Livox-SDK git clone https://github.com/Livox-SDK/Livox-SDK

# 重命名并处理嵌套文件夹 # 注意:文件有两层嵌套,需要删除第二层嵌套文件夹

# 编译安装 cd Livox-SDK mkdir build && cd build cmake .. && make -j sudo make install

注意: 如果遇到cmake版本兼容问题,尝试使用策略跳过

4.3. 安装livox_ros_driver

# 克隆驱动 git clone https://github.com/Livox-SDK/livox_ros_driver

# 重命名并处理嵌套文件夹

# 创建livox专用工作空间 mkdir -p ~/ws_livox/src cd ~/ws_livox/src
# 创建符号链接 ln -s ~/livox_ros_driver . # 编译 cd ~/ws_livox catkin_make

注意: 如果遇到cmake版本兼容问题,尝试使用策略跳过

五、解决编译问题和配置

5.1. 重新配置和编译定位系统

cd ~/ws_loc/build cmake -DCMAKE_POLICY_VERSION_MINIMUM=3.5 ../src -DROS_EDITION=ROS1 make -j

六、配置激光雷达

6.1. 配置激光雷达参数文件

cd ~/ws_loc/src/FAST_LIO_LOCALIZATION_HUMANOID/livox_ros_driver2/config nano MID360_config.json

配置文件,校正激光雷达在G1机器人上的安装姿态,确保点云数据坐标系正确

 

6.2. 修改IP地址配置

桥接机器人,检查本机IP地址:

hostname -I
  1. 将MID360_config.json配置文件中的IP地址:
"host_net_info": { "cmd_data_ip": "192.168.123.222", ... }

修改为你自己的IP地址,例如:

"host_net_info": { "cmd_data_ip": "192.168.123.111", ... }

七、环境配置和连接测试

7.1网线连接机器人配置
(也可以先跳过这一步进行下面的步骤,后面遇到问题再来修改)

在home中:

nano ~/.bashrc

在文件末尾添加:

# 有线连接配置 export ROS_MASTER_URI=http://localhost:11311 export ROS_HOSTNAME=localhost

注释掉其他ROS相关配置(如果有):

# export ROS_IP=192.168.111.128 # export ROS_IP=192.168.123.111 # export ROS_MASTER_URI=http://192.168.123.161:11311 # export ROS_IP=192.168.123.99

八、运行FAST-LIO系统

8.1. 测试激光雷达连接

# 测试激光雷达IP连通性 ping 192.168.123.120

8.2. 打开四个终端运行系统

终端1:启动ROS核心
roscore
终端2:启动建图系统
cd ~/ws_loc source devel/setup.bash roslaunch fast_lio mapping_mid360_g1.launch
终端3:启动雷达驱动
cd ~/ws_loc source devel/setup.bash roslaunch livox_ros_driver2 msg_MID360.launch
终端4:启动可视化界面
rviz

九、添加显示项

Read more

Llama-3.2-3B开箱体验:Ollama部署+多语言对话实测

Llama-3.2-3B开箱体验:Ollama部署+多语言对话实测 1. 快速了解Llama-3.2-3B Llama-3.2-3B是Meta最新推出的轻量级多语言大模型,专门针对对话场景进行了优化。这个3B参数的模型在保持较小体积的同时,提供了相当不错的文本生成能力,特别适合本地部署和快速响应场景。 与之前版本相比,Llama-3.2-3B有几个明显优势: * 多语言支持更好:在中文、英文、法文、德文等多种语言上都有不错的表现 * 对话优化:专门针对聊天场景进行了指令微调,回答更加自然 * 部署简单:通过Ollama可以一键部署,无需复杂配置 * 资源友好:3B参数规模在消费级硬件上也能流畅运行 2. 环境准备与快速部署 2.1 准备工作 部署Llama-3.2-3B前,确保你的设备满足以下要求: * 内存:至少8GB RAM(推荐16GB) * 存储:需要约2GB空间存放模型文件 * 系统:支持Windows、macOS、Linux主流系统 2.2 一键部署步骤

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.

Llama-Factory的eval模块详解:准确率、困惑度等指标一览

Llama-Factory的eval模块详解:准确率、困惑度等指标一览 在大语言模型(LLM)快速迭代的今天,微调已不再是少数研究团队的专属技术。越来越多的企业和开发者希望基于开源模型定制自己的智能应用——从金融客服到医疗问答,从教育辅导到内容生成。然而,一个常被忽视的问题是:我们如何科学地判断一个微调后的模型真的“变好了”? 答案并不总是显而易见。你可能训练了几十个epoch,loss曲线一路下降,但最终生成的回答却越来越模板化;或者准确率高达90%,但在真实场景中仍然频繁出错。这些问题的背后,是对评估环节的轻视。 正是在这样的背景下,Llama-Factory 的 eval 模块显得尤为关键。它不仅仅是一个“跑个测试集出个分数”的工具,而是将模型评估系统化、标准化、自动化的关键组件。通过统一接口支持多种任务与指标,它让不同模型、不同训练策略之间的比较成为可能,也让实验结果更具可复现性。 准确率:简单却不容小觑的基础指标 说到评估,最直观的指标莫过于准确率(Accuracy)。它的定义极其朴素:预测正确的样本数占总样本的比例。公式也简洁明了: $$ \text{Accur

写文章用哪个AI?2025年AI写作工具终极指南

写文章用哪个AI?2025年AI写作工具终极指南

写文章用哪个AI?2025年AI写作工具终极指南 前言:当你盯着空白文档时,AI正在盯着你 相信每个写作者都经历过这样的时刻:deadline如达摩克利斯之剑悬在头顶,Word文档里却只有一个闪烁的光标在嘲笑你的才华枯竭。这时候,你可能会想:“要是有个AI能帮我写就好了。” 好消息是,2025年的今天,AI写作工具已经从"能用"进化到"好用",甚至"离不开"的程度。坏消息是,选择太多也是一种甜蜜的负担。 一、主流AI写作工具横向对比 1. Claude(Anthropic)—— 学术派的温柔巨人 核心优势: * 长文本处理能力:支持20万+tokens的上下文,能一次性处理约15万字的内容 * 逻辑连贯性:在长篇文章写作中表现出色,结构清晰,论证严密 * 安全性高:内容审核严格,适合正式场合使用 适用场景: * 学术论文、研究报告 * 长篇商业文档