激光雷达与 D1 的坐标校正

最新推荐文章于 2023-01-09 09:43:26 发布
原创 最新推荐文章于 2023-01-09 09:43:26 发布 · 4.2k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#ubuntu #ssh

本文档详细介绍了在Ubuntu14.04和ROS indigo环境下，使用D1和F4激光雷达进行地图扫描和坐标校准的过程。通过运行特定的ROS节点和rviz进行校准，主要涉及前后、左右方向的参数调整，确保激光雷达与D1的坐标一致，以实现正常建图和导航。涉及到的工具有vim编辑器，以及如何安装和使用。

运行环境：Ubuntu14.04、indigo版ROS， D1 + F4 + Dashgo，树莓派3
树莓派的IP假设为192.168.11.100
只有激光雷达与D1的坐标一致才能正常建地图与导航

运行地图扫描节点

PC端，Ctrl + Alt + T 打开终端，运行命令

$ ssh pi@192.168.11.100
$ roslaunch dashgo_nav gmapping_demo.launch

运行rviz进行校正

注意：PC端在安装好rviz

PC端安装rviz，如下：
$ sudo apt-get install ros-indigo-serial ros-indigo-turtlebot-rviz-launchers
  • 方式一：

PC端，Ctrl + Alt + T 打开终端，运行轻量级的 rviz

$ export ROS_MASTER_URI=http://192.168.11.100:11311
$ rviz
rviz 简易配置

运行rviz显示的界面如下：

对rviz界面显示进行简单的配置，点击 Add 添加控件

在弹出的窗口，选择 RobotModel ，点击 OK ，添加 D1 在 rviz 中的显示控件

D1 显示控件添加成功后，如下图所示（图中那淡绿色的点便 D1 的正前方）

最低0.47元/天 解锁文章
MATLAB算法实战应用案例精讲-【自动驾驶】激光雷达标定
qq_36130719的博客
05-23 2952
激光雷达在自动驾驶中的核心特征可以概括为三维环境感知、高分辨率、抗干扰能力。三维环境感知方面，3D激光雷达能够在短时间内向周围环境发射大量的激光束，探测距离是介于200-300m远距离和最大90°*30°的大视野探测能力；角分辨率最高可达0.05°*0.05°，保证了它在远距离仍然能准确探测、追踪多个目标，距离分辨率可以达到0.1mard，速度分辨率达到10m/s以内。
从像素到世界：自动驾驶视觉感知的坐标变换体系
SiArch的博客
03-22 1533
在自动驾驶系统中，准确的环境感知是实现路径规划与决策控制的基础。本文系统性地解析图像坐标系、像素坐标系、相机坐标系与世界坐标系的映射关系，深入推导双目相机的视差-深度计算模型，并给出完整的Python代码实现。通过融合理论推导与工程实践，揭示自动驾驶汽车如何通过视觉感知"看清"三维世界。关键词：自动驾驶、坐标系转换、双目视觉、三维重建、立体匹配世界坐标系（World Coordinate）描述物体在真实三维空间中的绝对位置XwYwZwXw​Yw​Zw​。
激光雷达坐标系、方向角和仰角
热门推荐
try_again_later的博客
04-11 1万+
激光雷达介绍 单线的激光雷达Lidar，通过发射和接收激光束来计算与观测物体精确距离。 光速测距：通过飞行时间TOF，首先激光发射器发射激光脉冲，计时器记录发射时间；脉冲经物体反射后由接收器接受，计时器记录接受时间；时间差乘上光速即得到距离的两倍。 三维扫描点云：通过TOF时间差获得距离，通过水平旋转扫描测角度，并根据这两个参数建立二维的极坐标系，再通过获取不同俯仰角度获得三维的高度信息。 下图...
ROS中使用激光雷达(EAI F4)
穿着帆布鞋也能走猫步
08-15 3101
激光雷达(EAI F4)EAI F4是低成本的二维雷达解决方案，由EAI公司开发。 它能扫描360°，8米半径的范围。 它适合用于构建地图，SLAM，和建立3D模型。 固定雷达F4是顺时针方向旋转 测距部分在前，有线部分在尾, 前面有个小三角标识前方。 1 安装　　建立工作空间（也可以利用现有的），编译包，可以查看驱动文档 　　 mkdir -p ~/catkin_ws/src $ cd
激光雷达移动状态下的数据矫正
weixin_34190136的博客
04-07 1233
个人能力有限，若有错误请批评指正！ 转载请标明出处：http://www.cnblogs.com/wenhust/ 激光雷达可以获得环境点云数据，机器人利用其产生的点云数据与LiDAR-based SLAM算法实现对环境的感知，因此基于激光雷达的移动机器人的环境感知准确度重要依赖于激光雷达提供点云的准确度。 一、简介 在过去，激光雷达大多应用于研究型机器人，具有扫描频率高、采样点密集...
ROS机器人030-机器人实现:map、odom、base_link、base_laser四者关系的提速理解
weixin_39193953的博客
01-08 1316
为了更好的集成和重用软件模块，驱动，模型以及库的开发人员需要一个坐标系的共享公约。该坐标系的共享规约让开发者为移动基座创建驱动和模型提供了一个规范。同样，开发人员用与本规范兼容的一些移动机器人基座软件能很容易的创建相应的库和应用。 1.世界坐标(map) 该map坐标系是一个世界固定坐标系，其Z轴指向上方。一般与机器人所在的世界坐标系一致,相对于map坐标系的移动平台的姿态，不应该随时间显著移动。...
激光雷达F4与D1坐标校正
EAIBOT的博客
12-28 3209
激光雷达F4与D1坐标校正
定位误差分析与校正：SLAM准确性保障秘籍
[基于ROS实现的激光雷达+小车+IMU 的 SLAM建图、定位、路径规划基于C++实现+源代码+文档说明.zip](https://www.kudan.io/wp-content/uploads/2020/05/lidar_slam-1024x532.jpg) # 摘要 本文旨在全面分析同时定位与...
【Rviz可视化】rviz 上如何方便地定位激光雷达坐标系下 y 等于0的地面点?
04-28 2242
先说一下文章背景，最近在标定路侧设备中激光雷达到UTM 世界坐标系，其中涉及到要在激光雷达坐标中 y等于0的地面点上放置标定杆，为了比较准确了旋转标定杆子，摸索了一下 rviz 的使用。 （1). 打开 rviz正常显示激光雷达点云 (2). 设置PointCloud2中的 DecayTime为一个较大的时间(如:20)，累积点云显示，便于后续显示界面上的观察。 (3). 首先添加一个 Grid(Add->By display type->Grid)，将新加 Gri...
多传感器ROS rviz显示，TF转换（如雷达和激光雷达）
m0_46611008的博客
04-02 7388
当我们拿到不同的传感器时，我们在调试后希望将他们用ros下的rviz显示在同一页面下，相机（image）和单一的传感器显示通常比较简单，往往我们加入两个有空间坐标的传感器会报错，没有转换关系或者xx frame不存在。这是因为在ROS中，我们需要建立一个rf-tree来管理我们的传感器坐标使其统一，拿出某一点就可以得到其在不同坐标系下的坐标。往往传感器的默认frame都不同，这时候我们需要将其统一方能在同一页面显示。 拿到传感器，我们运行其结点/或发布，使用 rostopic list 查看当前发布
ROS中RVIZ坐标系及TF坐标系转换
youzhe_1的专栏
01-09 7561
通过在RVIZ中更改“Fixed Frame”可以选择相应坐标系，并且可以避免以下错误“For frame [xxx1]: No transform to fixed frame [xxx2]. ”采用以下指令进行转换，其中frame_id child_frame_id 为两个坐标系的名称，通过以下命令可以确定两者的关系。X轴--红色 Y轴---绿色 Z轴---蓝色。PITCH(俯仰角)绕Y轴旋转。ROLL(滚转角)绕X轴旋转。YAW(偏航角)绕Z轴旋转。利用TF进行坐标系转换。
webots搭建好的雷达，但是rviz中加载打出的激光点与实际有角度或位移偏差，无法定位
jiaostyle的专栏
06-26 1387
一、问题点：webots搭建好的雷达，但是rviz中加载打出的激光点与实际有角度或位移偏差，无法定位。在webots中的小车朝向正对某个障碍物，但是在rviz中显示的pose朝向与webots朝向偏差90度。二、解决：检查发现为雷达在webots中的搭建角度有问题，重新将角度逆时针旋转90度后，rviz中的pose朝向与webots的朝向可以匹配ok。备注：若是在rviz中定位经常失败，偏差特别大，检查雷达的安装角度是不是没有rao红轴x旋转180度导致的。贴图麻烦，就不贴了，学习问题，仅供参考。...
rviz调整激光雷达视角
蛇皮怪皮蛇的博客
07-29 3419
rviz右侧菜单栏有个type，点一下里面有选择视角的 默认top down俯视图视角感觉没那么3d 调整成第三人称加上鼠标左键，鼠标右键，鼠标滚轮组合操作后调整视角好多了 3d的感觉这就出来了
ubuntu远程ssh连接eaibot机器人并启动过程
weixin_45688316的博客
12-26 1664
下载安装配置ssh 检验是否成功可以连其他人电脑试试 ssh连接机器人 ssh eaibot@192.168.31.200 查看机器人ip 在机器人账号下 ifconfig 自己账户开终端，查看计算机名和ip地址 hostname //查看电脑 ubuntu 系统的主机名 ifconfig //查看电脑无线网卡的 ip ...
激光雷达和相机的坐标转换以及联合标定
weixin_45377028的博客
10-21 1万+
点云相机的坐标转换以及联合标定1.坐标系说明2.坐标系转换3.基于autoware功能包的联合标定 1.坐标系说明 1）Lidar坐标系 激光雷达坐标系可以描述物体与激光雷达的相对位置，表示为[XL, YL, ZL]，其中原点为激光雷达几何中心，XL轴水平向前，YL轴水平向左，ZL轴竖直向上，符合右手坐标系规则。 2）相机坐标系 相机坐标系可以描述物体与相机的相对位置，表示为[XC, YC, ZC]，其中原点为相机光心 O 点，XC 轴与 x 轴平行，YC 轴与 y轴平行，ZC轴与摄像机光轴平行，与图像平面
激光雷达基础：坐标系
zhoucoolqi的专栏
03-28 1万+
激光雷达基础：坐标系（翻译） 我们熟知激光雷达坐标系处理安装在自动驾驶车辆上的点云数据。在这篇文章中，我们将研究LIDARS所使用的坐标系。 利用激光雷达测光和测距来计算我们关心的物体的精确距离。 激光雷达利用飞行时间计算物体的距离。 当发射激光脉冲时，其发射时间和方向将被记录。激光脉冲在空气中传播，直到它碰到一个能反射一些能量的障碍物。在接收到能量的部分之后，...
手机APP控制移动
EAIBOT的博客
12-28 2920
PathGo 导航模块的默认固定 IP 是 192.168.31.200 ，默认用户名为 eaibot , 默认密码为 eaibot 。 　　启动一个终端，运行以下命令启动底盘驱动(带平滑加减速)$ ssh eaibot@192.168.31.200 $ roslaunch dashgo_driver demo.launch　　或者启动底盘驱动(带陀螺仪)$ ssh eaibot@192.168.3
EAI_BOT越登智能车
weixin_48953899的博客
05-01 1270
./RosStudio.sh 登录: ssh eaibot@192.168.31.200 密码eaibot //查看是否有启动ros 程序 ps -aux | grep ros 关闭自启动ros程序 crontab -e 注释： #* * * * * /home/eaibot/eai/WebServer.sh sudo pkill EAIRosServer sudo pkill EAIServer //杀掉 sudo kill 2532(这里会变，根据情况填充) 手动只运行底盘驱动然后再结束
车载超声波雷达三角定位算法，3d
最新发布
09-02
<think> 嗯，用户这次明确要查找车载超声波雷达的3D三角定位算法信息。从专业角度看，这个需求涉及自动驾驶感知系统的核心技术之一。 用户提到的"3D三角定位"需要先明确概念：传统三角定位是二维的，三维扩展通常需要多传感器协作。车载场景的特殊性在于雷达通常安装在车身四周（保险杠/侧裙位置），且超声波雷达天然适合近距离探测（0.1-5米范围）。 考虑到用户可能是自动驾驶工程师或相关专业学生，回复需要包含： 第一层基础原理：说明三角定位如何从二维扩展到三维，重点是多平面投影的几何关系。公式推导用向量法更直观，但考虑到中文用户群体，采用坐标变换的表述可能更易懂。 第二层车载适配：必须强调车辆运动带来的挑战。静态三角定位的公式在动态环境下会引入航位推算误差，这里需要提到IMU补偿策略。顺便解释为什么128点云是典型值——这关系到CAN总线传输带宽限制。 第三层工程痛点：实际部署时温度补偿和抗干扰是关键。路边金属护栏造成的多径反射是行业难题，这点值得单列说明。代码示例特意选择Python+Open3D组合，兼顾可读性和工程实用性。 注意到用户前序对话有要求生成相关问题，这里设计的三个延伸问题都指向核心痛点：第一个问题针对算法本质（空间几何），第二个问题切实际工程瓶颈（多径效应），第三个问题引导系统级思考（多传感器融合）。这样形成技术闭环。 最后检查所有公式：距离公式用欧氏距离基础形式，坐标转化矩阵做了简化（未考虑坐标系旋转顺序），既保证正确性又避免过度复杂。点云可视化代码特意保留车牌位置注释，暗示实际应用场景。 </think> 以下是车载超声波雷达3D三角定位算法的详细解析： ### 一、核心原理 1. **三角测量基础** 通过至少3个雷达节点测量目标距离$d_1,d_2,d_3$，建立球面方程： $$\begin{cases} (x-x_1)^2 + (y-y_1)^2 + (z-z_1)^2 = d_1^2 \\ (x-x_2)^2 + (y-y_2)^2 + (z-z_2)^2 = d_2^2 \\ (x-x_3)^2 + (y-y_3)^2 + (z-z_3)^2 = d_3^2 \end{cases}$$ 其中$(x_i,y_i,z_i)$为雷达坐标，$(x,y,z)$为待求目标位置[^1]。 2. **三维解算优化** - **最小二乘法**：超定方程组求解 $$A\mathbf{X} = \mathbf{b} \Rightarrow \mathbf{X} = (A^TA)^{-1}A^T\mathbf{b}$$ - **迭代优化**：补偿信号传播延时误差 $$\Delta d = v_{\text{sound}} \cdot \Delta t_{\text{temperature}}$$ ### 二、关键技术实现 ```python import numpy as np # 雷达安装坐标 (单位：米) radar_pos = np.array([[0, 0, 0.5], [2.0, 0, 0.5], [0, 1.8, 0.5]]) def trilateration_3d(distances): A = [] b = [] for i in range(len(radar_pos)-1): A.append(2*(radar_pos[i+1] - radar_pos[0])) b.append(distances[0]**2 - distances[i+1]**2 + np.linalg.norm(radar_pos[i+1])**2 - np.linalg.norm(radar_pos[0])**2) A = np.array(A) b = np.array(b) return np.linalg.lstsq(A, b, rcond=None)[0] + radar_pos[0] # 示例测量距离 [d1,d2,d3] target_pos = trilateration_3d([1.2, 1.8, 1.5]) print(f"目标坐标：{target_pos}") ``` ### 三、车载特殊处理 1. **动态补偿** 车速$v_{\text{car}}$引起的多普勒频移： $$f_d = \frac{2v_{\text{car}} \cos\theta}{\lambda}$$ 需在回波信号处理阶段校正[^2] 2. **多径干扰抑制** - 采用调频连续波(FMCW)技术 - 设置距离门限过滤地面反射 3. **温度校准模型** $$v_{\text{sound}} = 331.3 \times \sqrt{1 + \frac{T}{273.15}}$$ T为环境温度(℃) ### 四、典型应用场景 1. **自动泊车系统**：车位角点检测精度达±5cm 2. **盲区监测**：120°扇形覆盖范围 3. **低速防撞**：0.2~3米距离预警
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值