volans的控制px4画圆思路

volans是一个开源的ros+px4仿真工程,在编写ros控制px4时,可以提供许多的参考思路与代码。其中画圆的部分可以用于参考在offboard模式下控制飞机。

launch启动文件

launch用于加载各个模型以及脚本文件,画圆的主 launch 文件在 src/simulation/launch/Demo/px4_quadrotor/ 目录下的 circular_px4.launch

可以看一下其中的内容:

包含四个部分:运行世界模型,飞机模型,画圆启动程序,键盘控制脚本。

其他的都不必说,只是画圆启动程序需要再看一下,顺着提示,可以找到其路径:

在 src/module/px4_control/launch 中的 circular.launch

查看其内容:

可以看到在这里加载了 ros 的节点包,并且配置了参数,之后就会调用 ros 相关的节点程序。节点程序一般也是在同一个 pkg 中,也就是在 px4_control 同目录下的 src 文件夹中的 circular.cpp

节点程序

ros节点程序的主要步骤为:

1)定义一个ros节点,频率

2)订阅相关消息并指定相关的回调函数

3)发布相关消息

4)设置服务消息

5)主循环任务

订阅消息

/mavros/local_position/pose 消息用于反应无人机的位置信息

/mavros/state 消息用于反应无人机的模式状态信息

发布信息

/mavros/setpoint_raw/local 消息用于发布无人机的目标位置信息

服务消息

设置模式的服务消息,之后mavros就会将此模式消息发送给px4

// 【服务】修改系统模式
set_mode_client = nh.serviceClient<mavros_msgs::SetMode>("/mavros/set_mode");
nh.param<float>("desire_z", desire_z, 1.0); //期望高度
nh.param<float>("desire_Radius", desire_Radius, 1.0); //期望圆半径

可以利用 rostopic 命令来查看相关的主题消息:

rostopic echo /mavros/local_position/pose

主流程

主流程中,设置了一个状态机,先等待 offborad 模式,切换到 offboard 模式后,切换其他状态,一步一步发布圆形的轨迹

//状态机更新
void FlyState_update(void)
{
    switch(FlyState)
    {
        case WAITING:
            if(current_state.mode != "OFFBOARD")//等待offboard模式
            {
                pos_target[0] = pos_drone[0];
                pos_target[1] = pos_drone[1];
                pos_target[2] = pos_drone[2];
                temp_pos_drone[0] = pos_drone[0];
                temp_pos_drone[1] = pos_drone[1];
                temp_pos_drone[2] = pos_drone[2];
                send_pos_setpoint(pos_target, 0);
            }
            else
            {
                pos_target[0] = temp_pos_drone[0];
                pos_target[1] = temp_pos_drone[1];
                pos_target[2] = temp_pos_drone[2];
                send_pos_setpoint(pos_target, 0);
                FlyState = CHECKING;
            }
            //cout << "WAITING" <<endl;
            break;
        case CHECKING:
            if(pos_drone[0] == 0 && pos_drone[1] == 0)          //没有位置信息则执行降落模式
            {
                cout << "Check error, make sure have local location" <<endl;
                mode_cmd.request.custom_mode = "AUTO.LAND";
                set_mode_client.call(mode_cmd);
                FlyState = WAITING; 
            }
            else
            {
                FlyState = PREPARE;
                MoveTimeCnt = 0;
            }
            //cout << "CHECKING" <<endl;
            break;
        case PREPARE:                                           //起飞到圆轨迹的第一个点,起点在X负半轴
            temp_pos_target[0] = temp_pos_drone[0] - desire_Radius;
            temp_pos_target[1] = temp_pos_drone[1];
            temp_pos_target[2] = desire_z;
            MoveTimeCnt +=2;
            if(MoveTimeCnt >=500)
            {
                FlyState = REST;
                MoveTimeCnt = 0;
            }
            pos_target[0]=temp_pos_drone[0]+(temp_pos_target[0]-temp_pos_drone[0])*(MoveTimeCnt/500);
            pos_target[1]=temp_pos_drone[1]+(temp_pos_target[1]-temp_pos_drone[1])*(MoveTimeCnt/500);
            pos_target[2]=temp_pos_drone[2]+(temp_pos_target[2]-temp_pos_drone[2])*(MoveTimeCnt/500);
            send_pos_setpoint(pos_target, 0);                   
            if(current_state.mode != "OFFBOARD")                //如果在准备中途中切换到onboard,则跳到WAITING
            {
                FlyState = WAITING;
            }
            //cout << "PREPARE" <<endl;
            break;
        case REST:  
            pos_target[0] = temp_pos_drone[0] - desire_Radius;
            pos_target[1] = temp_pos_drone[1] ;
            pos_target[2] = desire_z;
            send_pos_setpoint(pos_target, 0);
            MoveTimeCnt +=1;
            if(MoveTimeCnt >= 100)
            {
                MoveTimeCnt = 0;
                FlyState = FLY;
            }
            if(current_state.mode != "OFFBOARD")                //如果在REST途中切换到onboard,则跳到WAITING
            {
                FlyState = WAITING;
            }
            break;
        case FLY:
            {
                float phase = 3.1415926;                        //起点在X负半轴
                float Omega = 2.0*3.14159*MoveTimeCnt / priod;  //0~2pi
                MoveTimeCnt += 3;                               //调此数值可改变飞圆形的速度
                if(MoveTimeCnt >=priod)                         //走一个圆形周期
                {
                    FlyState = FLYOVER;
                }
                pos_target[0] = temp_pos_drone[0]+desire_Radius*cos(Omega+phase);            
                pos_target[1] = temp_pos_drone[1]+desire_Radius*sin(Omega+phase); 
                pos_target[2] = desire_z;
                send_pos_setpoint(pos_target, 0);
                if(current_state.mode != "OFFBOARD")            //如果在飞圆形中途中切换到onboard,则跳到WAITING
                {
                    FlyState = WAITING;
                }
            }
            //cout << "FLY" <<endl;
            break;
        case FLYOVER:
            {
                mode_cmd.request.custom_mode = "AUTO.LAND";
                set_mode_client.call(mode_cmd);
                FlyState = WAITING;
            }
            //cout << "FLYOVER" <<endl;
            break;
        default:
            cout << "error" <<endl;
    }   
}
【SCI复现】含可再生能源与储能的区域微电网最优运行:应对不确定性的解鲁棒性与非预见性研究(Matlab代码实现)内容概要:本文围绕含可再生能源与储能的区域微电网最优运行展开研究,重点探讨应对不确定性的解鲁棒性与非预见性策略,通过Matlab代码实现SCI论文复现。研究涵盖多阶段鲁棒调度模型、机会约束规划、需求响应机制及储能系统优化配置,结合风电、光伏等可再生能源出力的不确定性建模,提出兼顾系统经济性与鲁棒性的优化运行方案。文中详细展示了模型构建、算法设计(如C&CG算法、大M法)及仿真验证全过程,适用于微电网能量管理、电力系统优化调度等领域的科研与工程实践。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事微电网、能源管理相关工作的工程技术人员。; 使用场景及目标:①复现SCI级微电网鲁棒优化研究成果,掌握应对风光负荷不确定性的建模与求解方法;②深入理解两阶段鲁棒优化、分布鲁棒优化、机会约束规划等先进优化方法在能源系统中的实际应用;③为撰写高水平学术论文或开展相关课题研究提供代码参考和技术支持。; 阅读建议:建议读者结合文档提供的Matlab代码逐模块学习,重点关注不确定性建模、鲁棒优化模型构建与求解流程,并尝试在不同场景下调试与扩展代码,以深化对微电网优化运行机制的理解。
个人防护装备实例分割数据集 一、基础信息 数据集名称:个人防护装备实例分割数据集 图片数量: 训练集:4,524张图片 分类类别: - Gloves(手套):工作人员佩戴的手部防护装备。 - Helmet(安全帽):头部防护装备。 - No-Gloves(未戴手套):未佩戴手部防护的状态。 - No-Helmet(未戴安全帽):未佩戴头部防护的状态。 - No-Shoes(未穿安全鞋):未佩戴足部防护的状态。 - No-Vest(未穿安全背心):未佩戴身体防护的状态。 - Shoes(安全鞋):足部防护装备。 - Vest(安全背心):身体防护装备。 标注格式:YOLO格式,包含实例分割的多边形坐标和类别标签,适用于实例分割任务。 数据格式:来源于实际场景图像,适用于计算机视觉模型训练。 二、适用场景 工作场所安全监控系统开发:数据集支持实例分割任务,帮助构建能够自动识别工作人员个人防护装备穿戴状态的AI模型,提升工作环境安全性。 建筑与工业安全检查:集成至监控系统,实时检测PPE穿戴情况,预防安全事故,确保合规性。 学术研究与创新:支持计算机视觉在职业安全领域的应用研究,促进AI与安全工程的结合。 培训与教育:可用于安全培训课程,演示PPE识别技术,增强员工安全意识。 三、数据集优势 精准标注与多样性:每个实例均用多边形精确标注,确保分割边界准确;覆盖多种PPE物品及未穿戴状态,增加模型鲁棒性。 场景丰富:数据来源于多样环境,提升模型在不同场景下的泛化能力。 任务适配性强:标注兼容主流深度学习框架(如YOLO),可直接用于实例分割模型开发,支持目标检测和分割任务。 实用价值高:专注于工作场所安全,为自动化的PPE检测提供可靠数据支撑,有助于减少工伤事故。
评论 1
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

打赏作者

龙猫略略略

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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