反馈信息至auv_server.py，self.cmd_callback_header + self.start_yolo_msg。根据\ee\ff\ee\ff判断为反馈信息，根据\ee\aa\ee\aa判断为识别程序成功启动信息。根据‘\ee\ff\ee\ff‘判断为不带参数的指令，转control_center.py。即/ee/ff/ee/ff/ee/aa/ee/aa/ee/aa/ee/ff。

逐个将目标截图并压缩编码，每个目标截图长度和宽度均不小于300像素，通过image_min_length设置，通过image_quality（0-100）可以设置压缩图像的质量，质量越小，压缩后的图片大小越小，然后传输。根据'\ee\ff\ee\ff'判断为不带参数的指令，转control_center.py。此外关于目标识别模块，还有一个功能是实时将目标的信息传输给auv辅助导航，目标信息的协议

反馈信息至auv_server.py，self.cmd_callback_header + self.start_yolo_msg。根据\ee\ff\ee\ff判断为反馈信息，根据\ee\aa\ee\aa判断为识别程序成功启动信息。根据‘\ee\ff\ee\ff‘判断为不带参数的指令，转control_center.py。即/ee/ff/ee/ff/ee/aa/ee/aa/ee/aa/ee/ff。

Demo测试时需要岸上PC与树莓派在同一局域网下运行，二者能进行通信。下水测试时总的设备连接大致如下图。Fathom-X Interface实际上就是Fathom-X通信板通过网线与一个USB转换器相连，其通过与PC连接后即解决了供电问题，也解决了网络通信问题。Bluerov本体里Fathom-X通信板通过网线与树莓派连接。零浮力缆将两块Fathom-X通信板连接，通过电力载波实现岸上与水下通信。

根据前文介绍的前视声呐图像像素点位置解算的知识，需要声呐水平开角及量程信息。在此我为了开发方便，就将水平开角及量程信息以字符串的形式封装进sensor_msgs/Image中Header下的frame_id里。以水平开角120度，量程10m为例，在msg中的格式为：frame_id: '[120 10]'。再强调一次仅依靠二维声呐图像是无法实现三维位置的解算的，只能获得位置的距离及水平开角，缺少竖

根据‘\ee\aa\ee\ff‘判断为带参数的指令，转sonar_node。修改声呐参数，以将声呐量程修改为10m为例，其余参数修改可参照协议文件。4、sonar_node（此处以ros1版本中的驱动代码举例）数据包通过网口传输至声呐，声呐解码后进行参数调整。故模块将该数据包发送至auv_server。直接将指令转发至center_server。

在目标跟踪时，摄像头提供实时的图片信息，我们需要识别出图片目标，且输出目标在图片中的位置，为后续的控制提供条件。在demo中，我是借助darknet_ros实现这一目标。当然这一模块可以替换成性能更优秀的识别算法。darknet_ros为yolov3在ros下的一个工具包（https://github.com/leggedrobotics/darknet_ros）。需要对yolov3的使用有所了解

我们将球体经原点水平切开，得到一个圆的水平截面，再取一个角度alpha，就得到一个水平扇形平面，声呐检测到的所有空间点都会投影到这个平面，这个角度就是声呐的水平开角。同时，当r越大时，竖直扇形的弧度越长，由于目标点可能在弧线上的任何一点，此时目标点的不确定性也越大。首先要特别说明的一点是这里说的定位是不完全的定位，只能得到目标距声呐的距离和水平开角，缺少竖直开角这一个维度的信息。提供的就是声呐的原

     cartographer（0.3.0版本）中机器人位姿是以tf的格式发布的。cartographer在关于位姿的tf_tree为：map->odom->base_footprint。其中odom->base_footprint理解为激光模拟的里程计信息，map->odom理解为对里程计数据的补偿，如消除累积误差等。在应用中推荐把pr

    早前做工程时尝试了teb局部规划算法，觉得效果非常好。由于时间关系，并未深入了解，仅依靠做对比实验调节作者给出的接口参数满足工程需求。抽空看了一下作者关于teb算法的论文，记录一些笔记。    teb局部路径规划算法github地址：https://github.com/rst-tu-dortmund/teb_local_planner。    作者列出的几篇文章均推荐阅读了解。本...