ROS 传输自定义消息

问题背景
基于mavros_controllers-master这个包,实现终端输入来实时控制无人机的运动形状(定点,圆,8字型等),位置,圆的半径。

解决方案
1.首先编写一个消息类型,消息类型中包括无人机轨迹形状,位置,半径等信息。
2.编写一个发布器(C++),在发布器中实现终端输入信息。
3.在订阅器(C++)中编写callback函数,来实现对消息的接受。
4.消息的传输是通过话题来实现的,发布器将消息发布到话题上去,订阅器通过订阅该话题来接收消息,在本文中消息是通过trajectory_control这个话题进行传输的。

编写消息类型
创建消息文件,control_msgs/src/TrajData.msg,消息文件的内容如下:

int64   type    # 轨迹类型
float32 x    # 目标坐标/圆心
float32 y    # 目标坐标/圆心
float32 z    # 目标坐标/圆心
float32 r    # 半径

编译文件夹,并在package.xml中添加如下代码:

  <build_depend>message_generation</build_depend>
  <exec_depend>message_runtime</exec_depend>
AI生成项目
python

在CMakeLists.txt中添加如下代码:

find_package(catkin REQUIRED COMPONENTS roscpp rospy message_generation std_msgs )
 add_message_files(
   FILES
   TrajData.msg
 )
  generate_messages(
   DEPENDENCIES
   std_msgs 
 )
 catkin_package(
    CATKIN_DEPENDS message_runtime
)

这样在其他包中如果想要使用这个消息类型,只需要在头文件中包含并添加依赖即可。例如包含这个msg类型需要在头文件中填写:

#include <control_msgs/TrajData.h>
AI生成项目
cpp
运行
1
编写发布器节点
新建一个trajectory_control的文件夹并编译,在src目录下新建trajectory_input_node.cpp文件,在此文件中写发布器节点,具体内容如下:

#include "ros/ros.h"
#include "std_msgs/String.h"
#include <control_msgs/TrajData.h>

#include <sstream>
#include <iostream>

int main(int argc, char **argv)
{
  ros::init(argc, argv, "talker");
  ros::NodeHandle n;
  ros::Publisher chatter_pub = n.advertise<trajectory_publisher::TrajData>("trajectory_control", 1000);
  ros::Rate loop_rate(10);
  int count = 0;
  while (ros::ok())
  { 
    std_msgs::String msg;
    std::cout<<"please input your control data in form of  type_  x  y  z  (r)  "<<std::endl;
    control_msgs::TrajData mymsg;
    std::cin>>mymsg.type;
    std::cin>>mymsg.x;
    std::cin>>mymsg.y;
    std::cin>>mymsg.z;
    std::cin>>mymsg.r;

    chatter_pub.publish(mymsg);
    ros::spinOnce();
    loop_rate.sleep();
    ++count;
  }
  return 0;
}



我们可以看出发布器的消息是通过trajectory_control这个话题进行传输的。
发布器节点中一些语句的意义可以参考ros教程。

编写订阅器(C++)
只需在原来的轨迹发布接受器中添加接受trajectory_control话题的callback函数即可:

 trajectory_controlSub_ = nh_.subscribe("trajectory_control", 1, &trajectoryPublisher::trajectory_controlCallback, this, ros::TransportHints().tcpNoDelay());//订阅该话题
 void trajectoryPublisher::trajectory_controlCallback(const control_msgs::TrajData& msg){
   trajectory_type_=msg.type;   
   p_targ(0)=msg.x;
   p_targ(1)=msg.y;
   p_targ(2)=msg.z;
   
   shape_origin_(0)=msg.x;
   shape_origin_(1)=msg.y;
   shape_origin_(2)=msg.z;
 
    radius = msg.r;

   initializePrimitives(trajectory_type_);
}


本文的目的是ROS利用话题传输自定义消息类型,因此并未对轨迹发布的具体操作进行说明,刚刚入了无人机的坑,第一次写博客,如有错误请多指教。

内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
内容概要:本文介绍了基于粒子群优化算法(PSO)的p-Hub选址优化问基于粒子群优化算法的p-Hub选址优化(Matlab代码实现)题的Matlab代码实现,旨在解决物流与交通网络中枢纽节点的最优选址问题。通过构建数学模型,结合粒子群算法的全局寻优能力,优化枢纽位置及分配策略,提升网络传输效率并降低运营成本。文中详细阐述了算法的设计思路、实现步骤以及关键参数设置,并提供了完整的Matlab仿真代码,便于读者复现和进一步改进。该方法适用于复杂的组合优化问题,尤其在大规模网络选址中展现出良好的收敛性和实用性。; 适合人群:具备一定Matlab编程基础,从事物流优化、智能算法研究或交通运输系统设计的研究生、科研人员及工程技术人员;熟悉优化算法基本原理并对实际应用场景感兴趣的从业者。; 使用场景及目标:①应用于物流中心、航空枢纽、快递分拣中心等p-Hub选址问题;②帮助理解粒子群算法在离散优化问题中的编码与迭代机制;③为复杂网络优化提供可扩展的算法框架,支持进一步融合约束条件或改进算法性能。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,理解算法流程与模型构建逻辑,重点关注粒子编码方式、适应度函数设计及约束处理策略。可尝试替换数据集或引入其他智能算法进行对比实验,以深化对优化效果和算法差异的理解。
评论
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
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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