Jetson AGX Orin 下 VINS-Fusion-ROS2安装

vins-fusion环境配置、安装与测试 本文主要介绍如何搭建vins-fusion的运行环境,以及解决vins-fusion编译运行时遇到的环境冲突问题,并在此基础上实现例程的运行。 阅读详情

0、本机基础环境:

CUDA:11.4        Jetpack:5.1.2        L4T:35.4.1        Ubuntu:20.04 focal   camera:zedm
软件包:GitHub - zinuok/VINS-Fusion-ROS2: ROS2 version of VINS-Fusion

Ceres 2.2 (这样是在部署系统时遇到的主要问题),由于死心眼,不想将Ceres 降到2.2以下,在部署系统遇到了如下问题:
(首先贴一下一些博主的改错方法
XTDrone和PX4学习期间问题记录(一)_error: ‘class ceres::problem’ has no member named -优快云博客

使用Ceres-Sovler进行四元数求解优化:LocalParameterization->Manifold_ceres::localparameterization-优快云博客 )
1、

VINS-Fusion-ROS2/global_fusion/src/globalOpt.cpp:117:20: error: ‘LocalParameterization’ is not a member of ‘ceres’
  117 |             ceres::LocalParameterization* local_parameterization = new ceres::QuaternionParameterization();

类是这种的更改ceres::LocalParameterization*为ceres::Manifold*
 

2、

VINS-Fusion-ROS2/camera_models/include/camodocal/gpl/EigenQuaternionParameterization.h:4:10: fatal error: ceres/local_parameterization.h: 没有那个文件或目录
    4 | #include "ceres/local_parameterization.h"

更改#include "ceres/local_parameterization.h" -> #include "ceres/manifold.h"

 3、

VINS-Fusion-ROS2/camera_models/src/calib/CameraCalibration.cc:512:17: error: ‘class ceres::Problem’ has no member named ‘SetParameterization’; did you mean ‘SetParameterLowerBound’?
  512 |         problem.SetParameterization(transformVec.at(i).rotationData(),

Ceres 2.2版本开始,LocalParameterization方法不可用,需要用Manifold替代。

    / 上略 /
    // Build the problem.
    double q[4];
	ceres::Problem problem;
	/****************************************/
	/* 省略调用AddResidualBlock() q是参数之一*/
	/****************************************/
    ceres::Manifold* quaternion_manifold = new ceres::QuaternionManifold;
    problem.SetManifold(q, quaternion_manifold);
    / 下略 //

就是将problem.SetParameterization 改为 problem.SetManifold

4、

VINS-Fusion-ROS2/loop_fusion/src/pose_graph.h:138:24: error: ‘AutoDiffLocalParameterization’ in namespace ‘ceres’ does not name a template type
  138 |     return (new ceres::AutoDiffLocalParameterization<AngleLocalParameterization,

将AutoDiffParameterization -> AutoDiffManifold

5、

/usr/local/include/ceres/autodiff_manifold.h:161:22: error: ‘class AngleLocalParameterization’ has no member named ‘Plus’
  161 |     return functor_->Plus(x, delta, x_plus_delta);

参考博主写的,这里不想复述了。 XTDrone和PX4学习期间问题记录(一)_error: ‘class ceres::problem’ has no member named -优快云博客

6、
ceres::LocalParameterization *local_parameterization = new                                                                                 PoseLocalParameterization();
改为->        ceres::Manifold* local_parameterization = new                                                                                 ceres::EigenQuaternionManifold();

7、最后祝贺你:

Finished <<< vins [1min 21s]

Summary: 4 packages finished [1min 22s]
  1 package had stderr output: vins

1、运行代码

1、ros2 run vins vins_node  /home/nvidia/RosTest/VinsFusion/src/VINS-Fusion-ROS2/config/euroc/euroc_stereo_imu_config.yaml

2、ros2 launch vins vins_rviz.launch.xml

3、ros2 bag play MH_01_easy.db3

ZED2i相机在ROS2上运行vins排坑与用docker运行Kalibr标定ZED2i相机 按照ZED官网提供的方式ZED2i的SDK和ros2 wrapper之后, 还有很多工作要做才能让ZED成功运行稳定的VINS。 阅读详情

相关推荐

在ubuntu20.04上配置VINS_Fusion(亲测有效,一应俱全)

最近在做科研训练的时候配置了HKUST-Aerial-Robotics实验室的VINS_Fusion代码项目,经历了一些编译报错的问题,在网上查找的时候博客内容良莠不齐,且实质针对性意见不多,于是在此记录下自己配置期间遇到的一些共性问题,留作自己日后参考和大家的交流学习。

wyr1849089774的博客 8266

OrinNX部署运行ROS2版本的vinsfusiongpu步骤整理

OrinNX上部署运行ROS2版本的vinsfusiongpu 20240429OrinNX ubuntu20.04上前提已经装好ros foxy。

自主无人机 PX4 ROS SLAM 路径规划 MVS等技术分享 4096

Jetson AGX ORIN配置运行vins-fusion-gpu(Zed/D435)

jetson,vins-gpu,d435i,zed

dueen1123的博客 2427

ROS2版本下部署运行VINS-Fusion

本文介绍了在ROS2 Humble环境下部署VINS-Fusion-ROS2的教程,适用于Ubuntu22.04系统和无IMU的USB鱼眼相机。主要内容包括:1)环境配置和依赖安装;2)编译VINS-Fusion-ROS2源码,包括OpenCV、Ceres Solver和cv_bridge的安装;3)配置文件说明,提供鱼眼相机的标定参数模板;4)使用教程,包括启动USB相机节点、运行VINS-Fusion节点和配置RViz可视化。教程详细说明了编译过程中可能遇到的错误及解决方法,并提供了GitHub源码链接

Ethereal_zz的博客 2774

多传感器融合SLAM实战:硬触发同步与算法调优解决长廊定位难题

在机器人自主导航领域,即时定位与地图构建(SLAM)是实现环境感知与路径规划的核心技术。其基本原理是通过传感器数据,实时估计机器人位姿并构建环境地图。传统单一传感器方案在特征稀疏或动态环境中易失效,而多传感器融合技术通过优势互补,能显著提升系统的精度与鲁棒性。该技术的核心价值在于,它结合了激光雷达的精确几何感知、视觉相机的丰富纹理信息、IMU的高频运动预测以及GNSS的绝对位置参考,从而在复杂场景下实现稳定可靠的定位与建图。尤其在长廊、地下车库等挑战性环境中,融合方案能有效应对特征匹配失败和累积漂移问题。本

weixin_30906185的博客 761

机器狗360度全景视觉系统:从传感器融合到智能导航的工程实践

机器人感知是赋予机器理解物理世界能力的基础。其核心原理在于通过多传感器(如摄像头、激光雷达)采集环境数据,并利用算法进行融合与解析,从而构建环境模型。这项技术的核心价值在于突破传统机器人“盲人摸象”式的局限,实现稳定、可靠且具备语义理解能力的自主导航。在工程实践中,这尤其适用于复杂、非结构化的动态场景,例如工业巡检、仓储物流和灾难救援。本文聚焦于四足机器人(机器狗)的360度全景视觉系统,深入探讨了如何通过多目鱼眼摄像头与固态激光雷达的异构融合方案,结合视觉惯性里程计(VIO)和语义分割算法,为机器狗构建实

weixin_33695450的博客 383

Jetson AGX Orin+d435i相机实现Octomap建图

Intel Realsense D435i深度相机、ROS-noetic、VINS-Fusion-gpu、AGX Orin、Octomap、DenseSurfelMapping

laoyoutiaozZ的博客 3232

AirDreamer:基于世界模型的无人机端到端自主导航框架

世界模型(World Model)是具身智能中实现环境理解与行为预测的核心范式,其原理在于将高维感知数据压缩为低维隐空间(latent space),并内嵌动力学先验以支持状态推演与动作规划。相比传统SLAM+规划+控制解耦架构,世界模型通过统一表征显著降低误差累积与系统延迟,提升在GPS拒止、强干扰等复杂场景下的鲁棒性与泛化能力。该技术已成功应用于无人机自主导航,支撑地下矿道巡检、废墟搜救等典型边缘部署场景,并展现出多智能体协同与sim-to-real高效迁移的技术价值。AirDreamer正是这一范式的

weixin_30420305的博客 344

Jetson Agx Orin 配置 VINS-Fusion 环境,解决opencv4.6.0与opencv4.2.0冲突

在camera_models/include/camodocal/chessboard中的头文件Chessboard.h中添加。修改~/catkin_ws/src/VINS-Fusion-gpu/vins-estimator/CMakeLists.txt。在caerma_models/include/camodocal/calib/CameraCalibration.h中添加。同样检查loop_fusion下边的CMakeLists.txt.第20行,改为你的地址。安装数据库,此处较慢。

weixin_41404597的博客 1484

多传感器融合SLAM实战:从硬件同步到算法实现

多传感器融合是提升机器人定位与建图鲁棒性的核心技术。其原理在于将激光雷达、视觉相机、惯性测量单元(IMU)等不同特性的传感器数据进行时空对齐与深度融合,利用各自的优势互补单一传感器的缺陷,从而在复杂、大尺度或特征匮乏的环境中实现高精度、高可靠性的状态估计。这项技术的核心价值在于显著增强了系统在长走廊、动态环境等挑战性场景下的适应能力,为自动驾驶、移动机器人导航等应用提供了关键支撑。本文以实测验证的HandBot-S2系统为例,深入探讨了其通过硬触发同步机制实现多传感器数据深度融合,并在1200米长走廊环境中

diandingyin9417的博客 361

2025机器人革命:具身智能、多模态感知与Sim2Real三大技术支柱解析

机器人技术正从执行固定程序的自动化设备,向能在复杂真实世界中自主感知、决策和行动的智能体演进。其核心原理在于构建一个融合感知、认知与控制的闭环系统,通过多传感器信息融合构建精确的世界模型,并利用AI模型理解物理规律与任务逻辑。这一演进的技术价值在于解决了机器人在动态、非结构化环境中灵活作业的根本难题,从而打开了在柔性制造、自主服务和特种作业等广阔场景的应用大门。其中,**具身智能大模型**让机器人能将抽象指令转化为可行的物理动作序列,而**仿真到现实迁移(Sim2Real)** 技术则通过高保真虚拟训练大幅

weixin_34183910的博客 470

基于Jetson Orin Nano的GPS拒止无人机:视觉SLAM与多传感器融合实战

在机器人自主导航领域,定位技术是核心基础。其原理是通过融合多种传感器数据,实时估算机器人在环境中的位置与姿态,从而摆脱对单一信号源(如GPS)的依赖。这项技术的价值在于赋予机器人在复杂、无GNSS信号环境下的行动能力,是实现真正自主智能的关键。其应用场景广泛,涵盖室内巡检、仓储物流、灾难救援以及城市峡谷作业等。本文聚焦于无人机这一具体载体,深入探讨了如何利用NVIDIA Jetson Orin Nano的边缘AI算力,高效运行视觉SLAM(即时定位与地图构建)与VIO(视觉惯性里程计)等核心算法,并结合双目

weixin_29178069的博客 317

Ubuntu20.04安装Torque-6.1.2单机版(踩坑篇)

说明:PBS排队系统原先是在Centos7安装使用很顺利,但是有客户需求在Ubuntu20.04上使用,着手在Ubuntu20.04安装上安装的时候发现很多报错,并不能顺利安装,网上查找到的教程,有的说是让放弃转slurm,有的是换源安装,但是安装好的版本很低,有许多bug,不是很好用。经过自己慢慢摸索之后,改了部分配置以及源码之后,能够顺利安装,再次记录一下踩坑心得,与大家一起分享学习。如有问题,欢迎大家来撩。...............

华青水上的博客 8087

DenseSurfelMapping部署实战:从环境配置到多传感器话题调试

本文详细介绍了DenseSurfelMapping部署实战的全过程,涵盖环境准备、源码获取、编译问题解决、多传感器话题配置与协调、启动流程及性能优化。针对深度相机数据对齐、USB带宽压力、内存管理等常见问题提供了实用解决方案,帮助开发者高效完成稠密表面地图构建系统的部署与调试。

agile9scrum的博客 614

M2DGR数据集在一些SLAM框架上的配置与运行:ORB-SLAM系列、VINS-Mono、LOAM系列、FAST-LIO系列、hdl_graph_slam

为了说明以上这些SLAM框架的测试与数据集适配,以M2DGR数据集为例进行各自的配置与运行,方便我以后适配自己的数据集,运行的SLAM框架包括:ORB-SLAM2、ORB-SLAM3、VINS-Mono、A-LOAM、LeGO-LOAM、LIO-SAM、LVI-SAM、FAST-LIO2、FAST-LIVO、Faster-LIO、hdl_graph_slam。实验基于Ubuntu20.04,其中ORB、VINS-Mono、和LOAM系列的安装参考我以前的博客,有详细的安装方法,其他的框架在后面会简单介绍一下

zardforever123的博客 1万+

PyTorch实战:手把手教你用QAT量化感知训练拯救模型精度(附避坑指南)

本文详细介绍了如何使用PyTorch进行QAT量化感知训练,以提升模型在边缘设备上的推理精度。通过核心原理讲解、实战代码示例和避坑指南,帮助开发者掌握从环境配置、模型训练到边缘部署的全流程,有效解决传统量化方法导致的精度损失问题。

c7d8e的博客 326

无人机自主导航技术突破:AutoFly项目解析与实践

无人机自主导航技术通过融合计算机视觉、传感器融合和机器学习算法,实现复杂环境下的智能飞行决策。其核心技术原理包括多模态感知、实时路径规划和动态避障,在物流配送、电力巡检等领域具有重要应用价值。AutoFly项目创新性地采用视觉-语言-动作(VLA)模型架构,结合13K+高质量轨迹数据集,显著提升了避障成功率和路径规划效率。该方案在嵌入式设备优化、计算资源分配等工程实践方面也提供了可复用的技术方案,为无人机自主导航系统的开发提供了新思路。

weixin_30954265的博客 313

西门子S7-1200模拟量的使用

模块类型核心参数输入信号处理输出信号配置转换原理数值范围TIA Portal配置编程要点 转换公式: 输出模拟量: 五、校准与线性化 硬件校准非线性补偿抗干扰措施数字滤波温度控制压力监控流量调节信号异常精度不足实践操作参考文档项目案例借鉴博客

weixin_51020122的博客 4769

人形机器人26小时自主工作实录:系统架构、算法与工程实践全解析

机器人自主工作能力是衡量其智能化水平的关键,其核心在于环境感知、决策规划与精准控制的协同。从技术原理上看,这依赖于多传感器融合的SLAM技术实现实时定位与建图,结合任务与运动规划算法生成安全高效的行动轨迹,并通过柔顺控制技术实现与环境的稳定力交互。这些技术的工程价值在于构建高鲁棒性、可长期稳定运行的自动化系统,是智能制造、仓储物流等场景中替代或辅助人工劳动的基础。本文以一次长达26小时的人形机器人自主工作实录为切入点,深入剖析了实现此类长时、稳定运行所必需的系统架构设计、核心算法模块(如基于模型预测控制的运

weixin_33857679的博客 358

Lasso的原理及其与其他特征选择方法的比较进行阐述,然后讨论Lasso优点、缺点以及应用场景,最后给出了代码实例

在机器学习领域中,特征选择(feature selection)是指在模型训练前对数据集进行分析,选择其中有助于预测目标变量或影响模型性能的特征,去除不相关或冗余的特征,提升模型的泛化能力。而Lasso回归是一种很流行的用于特征选择的方法之一。Lasso回归(又称LASSO,least absolute shrinkage and selection operator)是一种线性模型中的特征选择方法。

AI天才研究院 3051

USB2.0协议解读

就写到这吧,其他协议层等属于软件需要了解的东西了。简单看了下,本文总结的有点乱,有两个原因吧,其一是理解的不够透彻,无法用简单明了的语言总结;其二是感觉这个协议文档章节划分的也不是很好,有点大杂烩。

qflook的博客 3673

机器人技术深度解析:从系统集成到智能决策的实战指南

机器人技术是一门融合了机械设计、电子电路、控制理论、计算机软件与人工智能的交叉学科。其核心原理在于通过多传感器融合与分层控制架构,构建具备环境感知、智能决策和物理交互能力的自主系统。这项技术的核心价值在于将智能化、自动化能力延伸至物理世界,实现高效、精准和柔性的任务执行。在应用场景上,机器人技术已广泛应用于工业自动化、仓储物流、智能服务、医疗辅助及特种作业等领域。本文以机器人AMA(Ask Me Anything)为切入点,深入探讨了机器人系统集成、SLAM(同步定位与地图构建)、感知与决策等关键技术模块,

weixin_33910759的博客 303

用 SQL Trace 透视 SAP HANA 执行链路:从会话层到内部语句,一次把性能问题抓个现行

摘要:SAP HANA 的 SQL Trace 是性能分析和故障定位的关键工具,它记录会话层所有执行的 SQL 语句。文章解释了 SQL Trace 的工作原理、使用场景和配置方法,包括图形界面和 SQL 命令两种启用方式。重点讨论了存储过程内部语句的捕获问题,指出需要通过设置 internal 参数才能获取过程体中的详细 SQL 语句。文章还提供了实用的排查建议,强调要精准控制 Trace 范围,避免生成过大文件。最后通过真实案例展示了如何利用 SQL Trace 快速定位性能问题。(149字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1041

多传感器融合SLAM:硬触发同步与RTK技术攻克长廊定位难题

SLAM(即时定位与地图构建)是机器人自主导航的核心技术,其原理是通过传感器数据实时估计机器人位置并构建环境地图。在特征稀疏的长廊、地下车库等场景,单一传感器(如激光雷达或视觉)易因数据关联模糊而产生累积误差,导致定位漂移和建图失真。多传感器融合技术通过整合激光、视觉、IMU和RTK等异构传感器的互补信息,在状态估计框架(如因子图优化)中引入多种约束,从而显著提升系统的精度与鲁棒性。其技术价值在于能够应对复杂、动态及特征缺失的极端环境,是实现高可靠性自主移动平台的关键。应用场景广泛覆盖仓储物流、自动驾驶、无

weixin_34008805的博客 376

PostgreSQL面试题及详细答案120道(101-120)

本文针对PostgreSQL数据库提供全面的性能优化方案,涵盖10个关键面试题解析。主要内容包括:1)并发参数调优(max_connections、worker_processes);2)缓存设置(effective_cache_size);3)WAL日志优化;4)慢查询监控与日志配置;5)会话管理与阻塞处理;6)高写入场景优化策略;7)存储类型参数调整;8)自动清理机制配置;9)大表DDL操作避坑指南;10)性能瓶颈诊断方法论。对DBA和开发者具有实操指导价值

大剑师兰特的GIS世界 855

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

人形机器人26小时自主运行:系统集成、能源管理与异常处理全解析

机器人自主运行是机器人技术从实验室走向实际应用的核心挑战,其关键在于构建一个稳定、鲁棒且能长期自持的完整系统。其原理涉及多传感器融合感知、实时运动规划与控制、以及分层决策架构,通过软硬件协同确保机器人在动态环境中的连续作业能力。这项技术的价值在于验证机器人在真实场景下的可靠性与实用性,是实现仓储巡检、远程作业等无人化应用的基础。本文以一次长达26小时的人形机器人自主工作实录为切入点,深入探讨了实现长期自主运行所必须跨越的系统稳定性、能源管理、环境适应性等关键门槛,并详细拆解了其背后的硬件选型、软件架构,特别

weixin_33896726的博客 326

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: Jetson AGX Orin 下 ZED SDK安装和卸载,及zed-ros2安装
下一篇: Jetson AGX Orin 下 elevation_mapping 配置
浪里肥鱼
博客等级 码龄7年 971粉丝 10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
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