logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

ROS2 环境搭建与基础通信:状态发布订阅与 /cmd_vel 速度控制

ROS2基础概念与开发实践摘要 ROS2是机器人系统的分布式通信框架,基于节点(Node)和话题(Topic)实现模块化通信。节点(如/talker和/listener)通过话题(如/chatter)传递消息,支持ros2 topic list/node list/echo等命令实时监控。开发时需创建工作空间(含src、build等目录),通过colcon build编译,并用source set

#apache
ROS2 多机器人通用 Driver 层复盘:BaseRobotDriver 到多平台 Mock 切换实现

摘要: 本文提出了机器人二次开发的分层架构设计,核心思想是将ROS2节点与Driver层解耦。ROS2节点负责通信调度(如Topic/Service调用、参数管理),Driver层(如BaseRobotDriver及其子类)实现硬件控制(如连接、状态读取、运动控制)。通过MockRobotDriver模拟机器人行为,支持无硬件开发。关键设计包括:状态发布(/robot/state)、速度控制(/c

#机器人#javascript#前端
ROS2 Service、参数与 Launch 一键启动复盘:/robot/set_mode 模式切换实现

本文介绍了ROS2中Service的创建与使用流程。主要内容包括:1)创建Python/C++包的方法;2)Service的作用机制,适合一次性请求-响应场景;3)自定义Service接口定义与配置,包括.srv文件结构、package.xml和CMakeLists.txt设置;4)服务节点实现逻辑,包含模式验证、参数声明和请求处理;5)launch文件配置与安装方法,用于简化多节点启动。通过模式

#算法#人工智能#机器人
ROS2 视觉感知、目标检测与 TF 控制闭环复盘:从 /camera/image_raw 到 /cmd_vel 的机器人目标跟随实现

本文系统阐述了机器人视觉感知到运动控制的闭环流程。核心路径为:摄像头获取图像→目标检测(AprilTag/YOLO)→感知结果处理→运动决策→速度控制。重点分析了图像格式转换、两种检测方式的适用场景(AprilTag适合稳定测试,YOLO适合通用识别)、感知数据组织方法,以及基于图像偏移的简易控制策略。进一步探讨了通过TF坐标变换将二维图像信息转换为三维空间位置的方法,并强调了包含超时检测、置信度

#目标跟踪#人工智能#计算机视觉
ROS2 任务状态机、视觉桥接与安全控制闭环复盘:从 /perception/target 到 /cmd_vel 的机器人目标搜索与靠近实现

本文介绍了有限状态机(FSM)在机器人任务控制中的应用。FSM通过状态(如IDLE、SEARCH等)和事件(如start、target_found等)的转换,将复杂任务分解为清晰阶段,避免控制逻辑混乱。系统采用分层设计:决策层(task_fsm_node)管理状态转换,控制层(task_motion_node)生成运动指令,执行层(robot_control_node)与底层驱动交互。视觉输入通过

#算法#人工智能#机器人
ROS2 常用命令表

本文整理了ROS2常用命令速查手册,涵盖开发全流程关键操作:1. 环境管理:虚拟环境激活/退出、ROS2基础环境加载和工作空间识别;2. 编译命令:包括全量/增量编译、符号链接模式、依赖包管理等;3. 功能包操作:创建/查询C++/Python包、管理依赖关系;4. 核心组件操作:节点/话题/服务/参数/Action的查询、调试与交互;5. 实用工具:launch文件启动、bag数据录制回放、TF

#算法#人工智能#机器人 +1
具身智能策略模型:Diffusion Policy、OpenVLA 与 π0

本文对比了三种机器人动作生成模型的核心原理与差异: DiffusionPolicy:通过加噪-去噪生成连续动作块,解决多峰分布问题,适合精细操作但语言理解能力较弱。 OpenVLA:将连续动作离散化为token,利用VLM理解图像和语言指令,自回归生成动作序列,但需量化可能损失连续性。 π0:结合VLM的语义理解与FlowMatching的连续动作生成,通过预测修正方向迭代优化动作块,兼具任务理解

#目标跟踪#人工智能#计算机视觉 +2
基于 Stable-Baselines3 的强化学习算法实验:DQN、PPO 与 SAC 在 CartPole、Acrobot 和 Pendulum 环境中的对比

本文介绍了三种强化学习测试环境:CartPole-v1(离散动作控制小车平衡杆)、Acrobot-v1(离散动作双节摆控制)和Pendulum-v1(连续动作单摆控制),分析了它们的特点及适用算法(DQN/PPO/SAC)。重点以Pendulum-v1为例,详细解读了SAC算法的训练指标:评估平均奖励-122±4.2,训练耗时63分钟完成10万步,包含策略网络损失(18.7)、价值网络损失(0.4

#算法#机器学习#人工智能
GPT详解

GPT是一种基于纯解码器架构的自回归语言模型,通过条件概率乘积建模文本序列。其核心特点包括:1)自回归生成,只能基于历史token预测下一个token;2)采用去除了交叉注意力层的Transformer解码器结构;3)使用因果掩码确保仅关注过去信息;4)普遍采用Pre-LayerNorm提升训练稳定性;5)位置编码从早期可学习绝对编码发展为RoPE旋转位置编码,增强长度外推能力。这些设计使GPT系

一文讲透 AI Agent:为什么它比 ChatGPT 更像真正的“智能助手”?

AI智能体(AIAgent)是一种能够自主决策和执行任务的AI系统,与ChatGPT等对话式AI不同,它不仅能回答问题,还能理解目标、拆解任务、调用工具并完成复杂流程。AIAgent由大脑(大模型)、记忆(上下文保存)、工具(外部功能调用)和行动(反馈调整)四个核心模块组成,能够主动规划步骤并持续执行任务。其应用场景广泛,包括学习助手、编程辅助、内容创作、办公自动化和机器人控制等。AIAgent的

#人工智能#AIGC
    共 29 条
  • 1
  • 2
  • 3
  • 请选择