[ROS2基础]参数和动作

ROS2学习笔记(九)-- ROS2命令行操作常用指令总结(二) 简介:在第六、七、八章节中介绍了自定义消息(Message)、服务(Service)、动作(Action)的实现过程,另外还介绍了参数的应用,在学习过程中我们穿插了部分命令行操作用来调试或者验证相关功能,这一节详细介绍这些内容相关的命令行操作,通过虚拟仿真环境下已经实现的功能来验证。 阅读详情

文本中用于说明的完整示例代码请在下面的仓库中查阅。

https://gitee.com/shoufei/ros2_galactic_turorials.git

https://github.com/shoufei403/ros2_galactic_tutorials.git

参数

理解参数的概念

节点的参数通常维护到yaml文件中。节点启动时通常可以加载参数文件,然后读取参数的内容。而且在ROS中参数是可以动态配置的。

更多细节参考官方文档:

https://docs.ros.org/en/galactic/Tutorials/Parameters/Understanding-ROS2-Parameters.html

给节点设置参数的三种方式

  1. 让节点加载参数文件

以命令行方式加载参数文件

ros2 run <package_name> <executable_name> --ros-args --params-file <file_name>

示例:

ros2 run turtlesim turtlesim_node --ros-args --params-file ./turtlesim.yaml
  1. 以launch文件的形式启动节点并加载配置文件
tb3_param_dir = LaunchConfiguration(
    'tb3_param_dir',
    default=os.path.join(
        get_package_share_directory('turtlebot3_bringup'),
        'param',
        TURTLEBOT3_MODEL + '.yaml'))
        
Node(
    package='turtlebot3_node',
    executable='turtlebot3_ros',
    parameters=[tb3_param_dir],
    arguments=['-i', usb_port],
    output='screen')
  1. 命令行工具设置参数

罗列参数

ros2 param list

获取参数值

ros2 param get <node_name> <parameter_name>

示例:

ros2 param get /turtlesim background_g

设置参数值

ros2 param set <node_name> <parameter_name> <value>

示例:

ros2 param set /turtlesim background_r 150

保存当前运行节点的参数为文件

ros2 param dump <node_name>

示例:

ros2 param dump /turtlesim

加载节点参数

ros2 param load <node_name> <parameter_file>

示例:

ros2 param load /turtlesim ./turtlesim.yaml
  1. 动态参数配置(GUI)

动态参数配置主要通过rqt来实现。

rqt->Plugins->Configuration->Dynamic Reconfigure

修改了参数后会立即生效。具体的实现流程是,参数变化后产生参数事件,触发回调函数。在回调函数中将新的参数赋值给变量。

以下为GUI动态参数配置对应执行的代码

// Subscription for parameter change
rclcpp::AsyncParametersClient::SharedPtr parameters_client_;
rclcpp::Subscription<rcl_interfaces::msg::ParameterEvent>::SharedPtr parameter_event_sub_;

    
// Setup callback for changes to parameters.
parameters_client_ = std::make_shared<rclcpp::AsyncParametersClient>(
  node->get_node_base_interface(),
  node->get_node_topics_interface(),
  node->get_node_graph_interface(),
  node->get_node_services_interface());

//register callback function
parameter_event_sub_ = parameters_client_->on_parameter_event(
  std::bind(&TurtlesimController::on_parameter_event_callback, this, std::placeholders::_1));

//callback function
void TurtlesimController::on_parameter_event_callback(
    const rcl_interfaces::msg::ParameterEvent::SharedPtr event)
{
  std::lock_guard<std::mutex> l(config_mutex_);
  
  for (auto & changed_parameter : event->changed_parameters) {
    const auto & type = changed_parameter.value.type;
    const auto & name = changed_parameter.name;
    const auto & value = changed_parameter.value;

    if (type == rcl_interfaces::msg::ParameterType::PARAMETER_DOUBLE) {
      // Trajectory
      if (name == "walk_distance") {
        walk_distance_ = value.double_value;
        RCLCPP_INFO(this->get_logger(), "update walk_distance: %.3f ", walk_distance_);
      }
    }
    else if(type == rcl_interfaces::msg::ParameterType::PARAMETER_INTEGER)
    {
      if (name == "execute_frequency") {
        execute_frequency_ = value.integer_value;//不会改变定时器执行频率,仅作为演示用
        RCLCPP_INFO(this->get_logger(), "update execute_frequency: %d ", execute_frequency_);
      }
    }
    else if (type == rcl_interfaces::msg::ParameterType::PARAMETER_BOOL)
    {
      if (name == "print_execute_duration") {
        print_execute_duration_ = value.bool_value;
        RCLCPP_INFO(this->get_logger(), "update print_execute_duration: %d ",print_execute_duration_);
      }
    }
    else if (type == rcl_interfaces::msg::ParameterType::PARAMETER_STRING)
    {
      if (name == "show_str") {
        show_str_ = value.string_value;
        RCLCPP_INFO(this->get_logger(), "update show_str: %s ",show_str_.c_str());
      }
    }
  }
}

如何编写可参数配置的节点

参考turtlesim_controller包中的代码

https://gitee.com/shoufei/ros2_galactic_turorials.git

动作 Action

Action的概念

Action可以认为是两个服务和一个消息通讯的组合。两个服务分别是发送目标请求的服务和请求执行结果的服务。其中的消息通讯主要是用于反馈数据的。Action主要用在任务需要一段时间才能执行完成的场景。这里举一个例子来帮助理解:你和你女朋友准备玩一个简单的游戏。游戏很简单,就是你请求你女朋友向前跑一百米。然后你女朋友开始跑,然后跑完告诉你结果。现在我们来详细描述一下这个游戏过程。

首先你向你女朋友提出向前跑一百米的请求(对应发出Goal请求),你女朋友接受到了这个请求,但是觉得你不够诚恳所以拒绝了你(因请求数据不合理action可拒绝goal请求)。你调整了自己的语气再次向你女朋友发出了请求。这次你女朋友答应了(接受了Action的goal)。你很高兴,告诉你女朋友等她跑完了要通知自己。然后你女朋友就开始跑了。为了告诉你她跑的进度,你女朋友在跑的过程中主动告诉你她跑了多远了,还有多远就跑完了(对应Action的数据反馈)。当你女朋友跑完一百米后,她通知你她已经跑完了(反馈执行结果)。

更多细节说明请查看官方文档:

https://docs.ros.org/en/galactic/Tutorials/Understanding-ROS2-Actions.html

运行Action示例

启动小乌龟

ros2 run turtlesim turtlesim_node

启动手动控制小乌龟的节点

ros2 run turtlesim turtle_teleop_key

Action通信框图

ros2 run rqt_graph rqt_graph

Action 示例代码

请查看examples/rclcpp和examples/rclpy中的示例代码。

自定义Action

https://docs.ros.org/en/galactic/Tutorials/Actions/Creating-an-Action.html

查看示例代码中的tutorial_interfaces包。

节点通讯常用的ROS2命令行工具

显示节点通讯方式及其类型

第一种方式,查看特定node具备的通讯方式

ros2 node list
ros2 node info /turtlesim
➜  src ros2 node info /turtlesim
/turtlesim
  Subscribers:
    /parameter_events: rcl_interfaces/msg/ParameterEvent
    /turtle1/cmd_vel: geometry_msgs/msg/Twist
  Publishers:
    /parameter_events: rcl_interfaces/msg/ParameterEvent
    /rosout: rcl_interfaces/msg/Log
    /turtle1/color_sensor: turtlesim/msg/Color
    /turtle1/pose: turtlesim/msg/Pose
  Service Servers:
    /clear: std_srvs/srv/Empty
    /kill: turtlesim/srv/Kill
    /reset: std_srvs/srv/Empty
    /spawn: turtlesim/srv/Spawn
    /turtle1/set_pen: turtlesim/srv/SetPen
    /turtle1/teleport_absolute: turtlesim/srv/TeleportAbsolute
    /turtle1/teleport_relative: turtlesim/srv/TeleportRelative
    /turtlesim/describe_parameters: rcl_interfaces/srv/DescribeParameters
    /turtlesim/get_parameter_types: rcl_interfaces/srv/GetParameterTypes
    /turtlesim/get_parameters: rcl_interfaces/srv/GetParameters
    /turtlesim/list_parameters: rcl_interfaces/srv/ListParameters
    /turtlesim/set_parameters: rcl_interfaces/srv/SetParameters
    /turtlesim/set_parameters_atomically: rcl_interfaces/srv/SetParametersAtomically
  Service Clients:

  Action Servers:
    /turtle1/rotate_absolute: turtlesim/action/RotateAbsolute
  Action Clients:

第二种方式,查看整个系统中的通讯方式

➜ ros2 topic list -t  #前面为通讯方式的名称,中括号内为通讯类型                 
1639005245.255618 [0]       ros2: using network interface wlp109s0 (udp/192.168.31.206) selected arbitrarily from: wlp109s0, br-282e04a6a7cf, docker0
/parameter_events [rcl_interfaces/msg/ParameterEvent]
/rosout [rcl_interfaces/msg/Log]
/turtle1/cmd_vel [geometry_msgs/msg/Twist]
/turtle1/color_sensor [turtlesim/msg/Color]
/turtle1/pose [turtlesim/msg/Pose]
➜ ros2 service list -t    #前面为通讯方式的名称,中括号内为通讯类型              
/clear [std_srvs/srv/Empty]
/kill [turtlesim/srv/Kill]
/reset [std_srvs/srv/Empty]
/spawn [turtlesim/srv/Spawn]
/teleop_turtle/describe_parameters [rcl_interfaces/srv/DescribeParameters]
/teleop_turtle/get_parameter_types [rcl_interfaces/srv/GetParameterTypes]
/teleop_turtle/get_parameters [rcl_interfaces/srv/GetParameters]
/teleop_turtle/list_parameters [rcl_interfaces/srv/ListParameters]
/teleop_turtle/set_parameters [rcl_interfaces/srv/SetParameters]
/teleop_turtle/set_parameters_atomically [rcl_interfaces/srv/SetParametersAtomically]
/turtle1/set_pen [turtlesim/srv/SetPen]
/turtle1/teleport_absolute [turtlesim/srv/TeleportAbsolute]
/turtle1/teleport_relative [turtlesim/srv/TeleportRelative]
/turtlesim/describe_parameters [rcl_interfaces/srv/DescribeParameters]
/turtlesim/get_parameter_types [rcl_interfaces/srv/GetParameterTypes]
/turtlesim/get_parameters [rcl_interfaces/srv/GetParameters]
/turtlesim/list_parameters [rcl_interfaces/srv/ListParameters]
/turtlesim/set_parameters [rcl_interfaces/srv/SetParameters]
/turtlesim/set_parameters_atomically [rcl_interfaces/srv/SetParametersAtomically]
➜ ros2 action list -t    #前面为通讯方式的名称,中括号内为通讯类型
/turtle1/rotate_absolute [turtlesim/action/RotateAbsolute]

在代码编写时,常常要获取节点的通信类型。以类型[turtlesim/action/RotateAbsolute]为例,在代码中以该类型声明变量的方式为turtlesim::action::RotateAbsolute 。

显示类型的数据结构

命令行工具为:

ros2 interface show turtlesim/action/RotateAbsolute

输出内容:

# The desired heading in radians
float32 theta
---
# The angular displacement in radians to the starting position
float32 delta
---
# The remaining rotation in radians
float32 remaining

在代码中,对通信类型的变量进行赋值时也常常会要查询类型的数据结构。

手动发起一次通信

话题

ros2 topic pub <topic_name> <msg_type> '<args>'
示例:
ros2 topic pub --once /turtle1/cmd_vel geometry_msgs/msg/Twist "{linear: {x: 2.0, y: 0.0, z: 0.0}, angular: {x: 0.0, y: 0.0, z: 1.8}}"

服务

ros2 service call <service_name> <service_type> <arguments>
示例:
ros2 service call /spawn turtlesim/srv/Spawn "{x: 2, y: 2, theta: 0.2, name: ''}"

动作

ros2 action send_goal <action_name> <action_type> <values>
示例:
ros2 action send_goal /turtle1/rotate_absolute turtlesim/action/RotateAbsolute "{theta: 1.57}"

使用ROS2命令行手动发起一次通信常常用于做测试。


觉得有用就点赞吧!

我是首飞,一个帮大家填坑的机器人开发攻城狮。

另外在公众号《首飞》内回复“机器人”获取精心推荐的C/C++,Python,Docker,Qt,ROS1/2等机器人行业常用技术资料。

公众号

【ROS2】MOMO的鱼香ROS2(六)ROS2入门篇——ROS2通信之参数与动作 ROS2通信之参数与动作 阅读详情

相关推荐

ROS2教程(2) - ROS2节点、话题、服务、参数、动作等 - Linux

ROS2系列教程2 - ROS2节点、话题、服务、参数、动作、rqt_console、记录和回放数据

2301_79695159的博客 1327

【ROS2 入门】ROS 2 参数服务器(parameters)概述

介绍 ROS2 eloquent版本在EHub_tx1_tx2_E100载板,Jeston TX1 核心模块,JetPack_4.6.3刷机后, ubuntu18.04 环境下介绍和学习Parameters和命令行下的相关操作。

cau_weiyuhu的博客 4674

ROS2通信机制深度对比:如何选择话题、服务、动作和参数通信?

本文深入对比了ROS2的四种核心通信机制:话题、服务、动作和参数服务。通过分析其通信模型、数据流向与适用场景,并结合机器人导航、机械臂控制等实战案例,为开发者提供了一套清晰的决策框架和架构最佳实践,帮助在复杂系统中做出高效的通信选择。

weixin_29310605的博客 581

ROS2 基础概念 参数

ROS2 基础概念 参数

氢键H-H 1万+

ros2 run传递参数的格式(包含官方原文)

ros2 run teleop_twist_keyboard teleop_twist_keyboard --ros-args -r /cmd_vel:=/model/vehicle_blue/cmd_vel

1406

ROS2初级知识(5):参数如何管理?

ROS2的参数机制,与ROS1有重大不同。ROS2的参数不再是【全局变量】、【参数服务】的概念,而是所有参数都归属于具体节点,访问的时候一定是带节点namespace进行访问。

gongdiwudu的专栏 8517

ROS2参数与动作

(2)组成成分:(3)体验参数运行小乌龟模拟器和小乌龟控制节点打开终端再打开终端看见小乌龟出现后,再打开一个终端这个指令是查看所有节点的参数列表查看一个详细的节点信息比如查看参数值我们可以手动设置参数来改变小乌龟的背景颜色之后就会改成绿色了值得注意的是这里的颜色更改只是临时的,当你关掉重新运行的时候它的背景颜色就会变回原来的颜色这就需要我们把参数给保存起来这样就会保存成yaml格式的文件了,之后再调用文件。

2302_81809157的博客 1265

在 Ansys CFX Pre 中配置 RGP 表的分步指南

掌握在 Ansys CFX Pre 中设置 RGP 表的技巧,以优化仿真精度和效率。

jkh920184196的博客 1673

ROS2核心模块-动作通信、参数服务

创建.action文件编辑配置文件编译测试。

qq_45827638的博客 687

MIT6.824-lab2D-2022(日志压缩详细讲解)

从paper中去讲解,并实现关于lab2D的代码。

幸平的博客 6038

badusb详细制作教程(两种方式实现远控)

badusb是一种几乎可以突破任何杀毒软件和防火墙的设备,堪称渗透测试利器 文章目录前言一、什么是badusb?二,badusb的优点三,badusb是如何攻击的?badusb原理HID攻击漏洞产生原因三、准备步骤1.设备2,编辑器的安装与设置四,编写代码(重点)第一种: SEToolkit + badusb实现PowerShell注入攻击第二种:Cobalt Strike + badusb 实现PowerShell注入攻击五,烧录六,badusb有多强大攻击场景总结 BadUSB是《黑客军团》中

Ghost_system的博客 1万+

【ROS2机器人入门到实战】ROS2通信之参数与动作

上一节我们对ROS2的基本概念、构建工具以及采用Python和C++调用ROS2的客户端库完成了节点的编写。本节我们将重心放回节点和节点之间的数据传递上来,因为ROS2给我们带来的最大便利除了调试工具就是通信机制上了。同样的,本章的内容也分为三部分。基础篇,主要介绍通信的原理以及编程语言的一些特性,这些其实属于计算机的基础部分知识,但在学校里可能又很难学到的部分。入门篇,该篇主要分为话题通信、服务通信和自定义通信接口上来。

生活不止眼前的苟且 1518

【KDD2024】ShapeFormer:用于多元时间序列分类的Shapelet Transformer

多元时间序列分类(MTSC)因其在现实世界中的广泛应用而吸引了大量研究关注。最近,Transformer在MTSC中取得了先进的性能。然而,

m0_52597077的博客 4748

ROS2通信(话题、服务、动作、参数)

本文介绍了ROS2中的四种通信机制:话题通信、服务通信、动作通信和参数服务。话题通信采用发布/订阅模式实现单向数据传输,适用于传感器数据等持续更新的场景;服务通信基于请求-响应模式,适用于需要即时响应的操作;动作通信在服务通信基础上增加了连续反馈功能,适合处理耗时任务;参数服务则以共享方式实现节点间数据交互。文章详细说明了每种通信方式的概念模型、应用场景及实现流程,并通过C++代码示例展示了如何创建自定义接口消息和实现完整的通信功能。最后还介绍了参数数据类型及操作方法,为ROS2机器人系统开发提供了全面的通

柯影的博客 1221

【数字逻辑电路课程设计】多功能数码管时钟VHDL+quartus II-EP1C12F324C8+源码+付费资源

我希望需要我这篇文章的是正常学习数字逻辑课程且正在设计数码管时钟的同学。我个人不推荐直接获取源代码,因此我另有一份付费资源是完整源代码;我推荐各位去研究我代码的逻辑尝试自己书写属于自己的代码,因此我保留了注释但隐去了变量。由于时间有限,我的设计不够完美,仍有很多缺陷,我将我的展望写在后面,各位可以尝试实现。我不为难同学,作为同学我理解各位设计的辛苦,因此如果有需要,私信我提供隐去敏感信息的学生证照片可直接获取源代码。

WannaFlysyx的博客 1535

UFS 3.1协议分析(第一至四章) -- UFS概述

Contents协议规范规范参考术语和定义简单概述通用特性接口特性功能特性 协议规范     UFS3.1协议规定了UFS电气接口和存储器件的特性以及系统架构。 特性:低功耗、高数据吞吐量、低电磁干扰、大容量存储器子系统效率的优化 电气接口:使用基于MIPI M-PHY的高级差分接口;M-PHY作为物理层,MIPI UniPro作为链路层,二者结合形成UFS接口的互联。 架构模型:参考 INCITS T10(SCSI) SAM 标准,命令协议基于 INCITS T1

Frank_sample的专栏 1万+

总结ROS2话题,服务,参数以及动作

服务是基于调用和相应模型的,在使用的时候需要有Request和Rsponse。在服务之中分为服务端和客户端。目标和结果使用的是服务,有客户端和服务端,客户端发送请求,服务端提供数据。反馈使用的是话题,一个反馈发布者和一个反馈订阅者。参数是节点的设置,可以将指定的参数储存起来,也可以在节点运行的时候进行修改,可以使用launch文件来修改节点中参数的值。话题是由一个发布者发布,由订阅者来进行订阅的。动作服务器里包含着目标服务端,结果服务端和反馈发布者。动作客户端里包含着目标客户端,结果客户端和反馈订阅者。

2302_81809157的博客 664

C++ 实例:网络数据包捕获与分析

在计算机网络领域中,抓包是一种常见的技术,用于捕获和分析网络数据包。通过抓包,我们可以获得网络通信中传输的数据包,并进一步分析它们的内容,从而帮助我们解决网络故障、进行性能优化以及进行安全审计等任务。在本篇文章中,我们将使用 C++ 编程语言来实现一个简单的网络数据包捕获工具,并展示如何分析捕获到的数据包。函数打开指定的网络设备,并指定捕获数据包的缓冲区大小、混杂模式和超时时间。运行程序后,它将开始捕获网络数据包并显示每个数据包的源IP地址和目的IP地址。函数作为回调函数,用于处理捕获到的每个数据包。

ByteWhiz的博客 1282

史上最全 ROS2 常用命令保姆级教程:节点、话题、消息结构、参数、服务和动作一篇讲透

本文系统整理了ROS2开发中最常用的终端调试命令,帮助初学者掌握ROS2工程调试方法。主要内容包括: 核心调试命令分类 ros2node:查看节点信息 ros2topic:调试话题通信 ros2interface:查看消息结构 ros2service:调试服务通信 ros2action:调试动作通信 ros2param:参数管理 ros2run/ros2launch:运行节点和工程 重点命令详解 话题调试:list/info/echo/pub/hz等 消息结构查看:interfaceshow 参数管理:ge

冰冻三尺非一日之寒 937

ReAct 智能体 Agent:架构解析与实践拓展

ReAct 智能体 Agent 凭借其推理与行动协同的独特架构,在众多人工智能应用场景中展现出巨大的潜力。从智能办公到教育辅导,从智能家居到工业物联网,ReAct 智能体通过精准推理和高效行动,为用户提供了更加智能、便捷的服务体验。然而,在实际应用过程中,仍面临工具调用安全、模型持续学习、多智能体协作管理以及性能优化等多方面的挑战。通过合理的策略和技术创新,如强化工具审核机制、构建持续学习框架、设计高效协作协议和采用性能优化手段,我们有望逐步克服这些挑战,进一步提升 ReAct 智能体的性能和可靠性。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1690

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

【3】ROS2学习——核心概念的学习Ⅱ(通信接口、动作、参数)

ROS2学习——核心概念的学习Ⅱ(通信接口、动作、参数)

weixin_46444742的博客 729

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

ROS2基础知识

ROS2学习笔记

scarecrow_sun的博客 1698

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ROS 2官方文档(基于humble版本)学习笔记(三)

动作使用客户端-服务器模式,一个“动作客户”节点发送一个目标给一个“动作服务”节点,“动作服务”确认这个目标并且返回一个反馈流和一个结果。使用rqt_console,您可以随着时间的推移收集这些消息,以更有条理的方式查看它们,过滤,保存它们,甚至将保存的文件重新加载到不同的时间内。参数是一个节点的配置值,可以把参数看成是节点的配置。节点可以存储整型,浮点型,布尔型,字符串型,列表型的参数。第一个—上面是目标的结构(数据类型和名字),第二个—上面是结果的结构,最后是反馈的结构。对用户而言,通常是蕴含信息的。

huanggang982的专栏 1196

[1] ROS2基础知识-操作命令总结版

详文链接:[3] ROS2初探之功能包使用方法 详文链接:[4] ROS2初探之节点的使用方法 详文链接:[5] ROS2初探之通信机制学习(话题) 详文链接:[7] ROS2初探之通信机制学习(服务) 详文链接:[10] ROS2初探之通信机制学习(动作) 详文链接:[12] ROS2初探之通信机制学习(参数) 详文链接:[14] ROS2初探之节点管理工具launch文件 详文链接:[15] ROS2初探之记录话题的数据ros2 bag......

酸梅果茶的博客 1531

ROS2基础教程

此时订阅者会打印发布者发送的消息,实现话题通信。,添加以下内容(放在。

u010632343的博客 2323

ROS2基础的入门工具——turtlesim(小乌龟)

本文是ROS 2入门工具turtlesim(小乌龟)的详细教程。文章首先概述了ROS 2的三大通信机制:话题、服务与动作。随后,通过turtlesim实例,详细演示了如何安装配置环境、启动节点、用键盘控制,并使用ros2 topic系列命令进行话题的查看、监听与发布。最后,教程还讲解了如何使用rqt_graph进行可视化,以及如何调用服务(如spawn生成新乌龟)和修改参数(如更改背景色)。

2401_86810866的博客 2899
上一篇: 提升代码开发效率的VSCode插件
下一篇: [ROS2基础]launch 文件和多节点进程
首飞爱玩机器人
博客等级 码龄14年 6990粉丝 120原创
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
 
 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

打赏作者

首飞爱玩机器人

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