文章目录一、激光雷达建图二、建图算法切换及其优缺点三、自主导航四、多点导航一、激光雷达建图小车开机，连接WIFI，密码：dongguan。启动激光建图（服务端）ssh-Ywheeltec@192.168.0.100roslaunchturn_on_wheeltec_robotmapping.launch查看建图效果（客户端）rviz可以使用键盘控制、APP遥控、PS2遥控、航模遥控进行控制小车运动。建图完成，保存地图（服务端）保存方法1：#一键保存roslaunchturn_on_wheeltec_robotmap_saver.launch保存方法2：#打开地图路径cd/home/wheelt
这次我们聊一聊激光测距模块我们用的是正点原子的STM32F103ZET6精英版。一。VL53L0X简介1.定义VL53L0X是ToF激光测距传感器，利用飞行时间（ToF）原理，通过光子的飞行来回时间与光速的计算，实现测距应用。二。测量模式1.VL53L0X传感器提供了3种测量模式，单次测量，连续测量，定时测量。2.三种测量模式（1）Singleranging（单次测量），在该模式下只触发执行一次测距测量，测量结束后，VL53L0X传感器会返回待机状态，等待下一次触发。（2）Continuousranging（连续测量），在该模式下会以连续的方式执行测距测量。一旦测量结束，下一次测量就会立即启动
双目相机测距是一种常用的计算机视觉技术，它利用两个摄像头同时拍摄同一场景，通过测量两个摄像头视野中同一物体在图像上的像素差异，从而计算出物体距离的方法。具体原理如下：双目相机的构成双目相机由两个摄像头组成，通常摆放在一定距离内，这个距离称为基线距离。两个摄像头同时拍摄同一场景，形成两张2D图像。视差测量当同一个物体同时出现在左右两张图像中时，由于摄像头之间的基线距离，它在两个图像中的位置会有所偏移，这种偏移量称为视差。视差可以通过计算两张图像中对应像素点的距离差来得到。立体重建通过视差，可以得到同一物体在两张图像中对应像素点的距离差，同时已知两个摄像头的基线距离和视角等参数，可以通过三角测量原
文章目录1.旋转矩阵2.平移矩阵3.坐标系的转换4.坐标转换代码1.旋转矩阵由于激光雷达获取的点云数据的坐标是相对于激光雷达坐标系的，为了使车最终得到的点云数据坐标是在车坐标系下的，我们需要对点云中每一个点的坐标进行坐标转换。首先是需要对坐标系进行旋转变换，先以二维平面的单位向量坐标转换为例，假设两坐标系中的旋转矩阵为R，旋转角度为θ\thetaθ,点P在x1oy1x_1oy_1x1oy1坐标(车坐标系)下的坐标为(x1,y1)(x_1,y_1)(x1,y1)；点P在x2oy2x_2oy_2x2oy2坐标（激光雷达坐标系）下的坐标为(x2,y2)(x_2,y_2)(x2,y2)
文章目录1.激光雷达基本概念1.1激光雷达特点1.2激光雷达测距原理1.2.1系统组成1.2.2激光雷达测距原理1.3常见的激光雷达1.3.1机械旋转式激光雷达1.3.2VelodyneHDL-64E1.3.3固态激光雷达1.3.4Flash型固态激光雷达1.3.5相控阵固态激光雷达1.3.6MEMS型固态激光雷达1.3.7总览1.4激光雷达性能指标2.激光雷达点云（PointCloud）2.1激光雷达点云定义2.2激光雷达点云表示方法3.为什么要选择激光雷达？3.1传感器之间的互补性3.2不同级别自动驾驶系统的需求4.激光雷达的标定4.1激光雷达参数4.2单线激光雷达4.2.1γ\gamma
前言虽然业界有很多的争论，但是LiDAR在目前的L3/L4级自动驾驶系统中依然是不可或缺的传感器，因为它可以提供稠密的3D点云，非常精确的测量物体在3D空间中的位置和形状，而这是摄像头和毫米波雷达很难做到的。那么相应的，基于LiDAR点云的感知算法也就成为了近年来自动驾驶研发的重点之一。与图像的感知算法类似，LiDAR点云的感知算法也分为物体检测（包括跟踪）和语义分割两大类。这篇文章主要关注基于LiDAR点云的物体检测算法，语义分割算法留待以后再做介绍。很多综述性的文章把LiDAR点云的物体检测算法粗略分为四类：Multi-view方法，Voxel方法,Point方法，以及Point和Voxe
超声波模块HC-SR04的工作原理很简单，有很多办法可以完成超声波测距，这里简单介绍两种。1.定时器中断法配置定时器的中断并声明一个Time的变量，在中断中先判断标志位，然后检查echo端口是否为高电平，如果是，Time++，然后变量time乘以定时时间就能得到echo端口高电平持续的时间，经过计算就可以得到距离。Timer.c#include"stm32f10x.h"//Deviceheader#include"Timer.h"externuint16_tTime;//Time变量在HCSR04.c文件中定义voidTimer_Init(){ Time=0; RCC_APB1PeriphCl
在OpenCV中实现双目测距通常涉及以下几个步骤：摄像头标定：使用OpenCV的cv::calibrateCamera()函数来获取相机的内参矩阵(intrinsicmatrix)、畸变系数(distortioncoefficients)、旋转矩阵和平移向量(rotationandtranslationvectors)。这些参数用于后续的双目图像的校正和深度图的计算。双目摄像头校准：如果使用两个相同的摄像头进行双目视觉，需要确保两个摄像头的内参相同，并且它们之间的相对位置和姿态已知。如果使用不同的摄像头，需要使用cv::stereoCalibrate()函数来获取两个摄像头间的外参矩阵(ext
一.二维坐标系1.旋转矩阵图1在图1中，点P在坐标系下的位置坐标为(OA,OE)，在坐标系下的位置坐标为(OC,OG)并且∠BOA=θOC=OB+BC (式1)OG=OF-FG (式2)在式1中：OB=OA∙cosθBC=ADAD=AP∙sinθAP=OEAD=OE∙sinθ ∴OC=OA∙cosθ +OE∙sinθ (式3)在式2中：OF=OE∙cosθFG=EHEH=EP∙sinθEP=OAEH=OA∙sinθFG=OA∙sinθ
文章目录一.论文信息二.论文内容1.摘要2.引言3.作者贡献4.主要图表5.结论一.论文信息论文题目：YouCan’tSeeMe:PhysicalRemovalAttacksonLiDAR-basedAutonomousVehiclesDrivingFrameworks（你看不见我:对基于激光雷达的自动驾驶汽车驾驶框架的物理移除攻击）论文来源：2023-UsenixSecurity论文团队：密歇根大学&佛罗里达大学&日本电气通信大学二.论文内容1.摘要自动驾驶汽车(AVs)越来越多地使用基于激光雷达的物体检测系统来感知道路上的其他车辆和行人。目前，针对基于激光雷达的自动驾驶架构的攻击主要集中在
