怎样在ROS下实现基于YOLO的px4无人机目标检测?
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
1. 搭建无人机仿真环境
首先需要安装mavros,这是一个飞机固件与ros通信的包:
sudo apt install ros-kinetic-mavros ros-kinetic-mavros-extras
wget https://raw.githubusercontent.com/mavlink/mavros/master/mavros/scripts/install_geographiclib_datasets.sh
sudo chmod a+x ./install_geographiclib_datasets.sh
./install_geographiclib_datasets.sh ##此时执行速度很慢,耐心等待完成
接下来,下载固件:
git clone https://github.com/PX4/Firmware.git ##我一般将固件放在主目录下而不是ros的工作空间中
cd Firmware
git checkout v1.9.2
make posix_sitl_default gazebo
一般来说,第一次安装飞控固件,编译时会报错,因为缺少了必要的python依赖,因此在下载玩Firmware后,在编译之前,首先:
cd Firmwarebashbash ./Tools/setup/ubuntu.sh --no-nuttx --no-sim-tools ##此处跳过了仿真器的安装,因为已经在ros已经配置好了
这之后,再执行下面指令,一般就不会出错,如果继续报错,一般为个人电脑环境配置的问题,请根据终端中的错误提示自行安装依赖。
make posix_sitl_default gazebo
现在,px4无人机的基本环境就配置好了,应该可以看到gazebo界面中已经有了一个叫做iris的无人机。
为了方便,将Firmware的环境变量加入bashrc中:
source ~/Firmware/Tools/setup_gazebo.bash ~/Firmware/ ~/Firmware/build/px4_sitl_default
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:~/Firmware
export ROS_PACKAGE_PATH=$ROS_PACKAGE_PATH:~/Firmware/Tools/sitl_gazebo
在这之后,就可以通过launch文件启动仿真了:
roslaunch px4 mavros_posix_sitl.launch ##此命令同时启动了mavros
接下来,安装无人机的地面站控制软件QGC:
sudo usermod -a -G dialout $USER
sudo apt-get remove modemmanager -y
sudo apt install gstreamer1.0-plugins-bad gstreamer1.0-libav -y
Download [QGroundControl.AppImage](https://s3-us-west-2.amazonaws.com/qgroundcontrol/latest/QGroundControl.AppImage)
chmod +x ./QGroundControl.AppImage
./QGroundControl.AppImage (or double click)
打开地面站后,可以看见已经自动连接上了仿真中的无人机。
在这里,无人机环境搭建已经全部完成了。
2. 切换无人机模型
上面启动的无人机,并没有携带相机,我们进行目标检测,需要携带一个摄像头,Firmware中已经提供了模型,因此,我们只需要更换一个带有相机的飞机模型。
我提供了一个模型下载:
链接: https://pan.baidu.com/s/1JnmHeN7RIQmiY630dSQlRw 密码: 7sqd
将下载的模型放到Firmware/tools/sitl_gazebo/models下,替换原来的模型文件。
然后修改Fimeware/launch/mavros_posix_sitl.launch的第16行:
<arg name=”sdf” default=”$(find mavlink_sitl_gazebo)/models/iris_stereo_camera/iris_stereo_camera.sdf”/>
此时,iris模型已经携带了一台双目相机,有用的话题为:
/stereo/camera/left/camera_info
/stereo/camera/left/image_raw
/stereo/camera/right/camera_info
/stereo/camera/right/image_raw
3. 配置YOLO环境
该过程参开官方配置文档即可,基本没什么坑,yolo并不完全依赖gpu,但是没有gpu速度会非常慢。
官网提供的环境配置为:
darkned_ros安装配置方法
https://github.com/leggedrobotics/darknet_ros
按照官方文档安装必要的依赖和包是非常有必要的。
安装完成后,需要修改两处:
首先,在darknet_ros/launch/darknet_ros.launch中修改:
<arg name="image" default="/stereo/camera/left/image_raw" />
接着修改darknet_ros/config/ros.yaml:
camera_reading:topic: /stereo/camera/left/image_raw
然后运行:
roslaunch darknet_ros darknet_ros.launch
此时在终端中可以看到:
说明yolo已经正常运行并且开始检测目标了。
接着,可以在gazebo中添加各种模型,然后使用yolo进行检测。
本文在这里提供一个gazebo的world文件,下载地址为:
XTDrone
https://gitee.com/robin_shaun/XTDrone
下载后,复制 XTDrone /sitl_config /worlds/outdoor1.world到Firmware/tools/sitl_gazebo/worlds下。
接着修改Fimeware/launch/mavros_posix_sitl.launch的第15行为:
<arg name="world" default="$(find mavlink_sitl_gazebo)/worlds/outdoor1.world"/>
此时再次启动,应该看到是这样的:
这样,就完成了所有的配置。
4. 运行效果展示
关闭之前所有的命令,按照这个顺序重新启动仿真:
roslaunch px4 mavros_posix_sitl.launch
启动地面站 ##此处建议使用游戏手柄控制无人机,或更简单直接开启QGC自带的虚拟摇杆功能对飞机控制
roslaunch darknet_ros darknet_ros.launch
演示效果请看视频:
最后,如果你对无人机的仿真和应用感兴趣,推荐一个非常优秀的开源的无人机项目:
XTDrone
(https://gitee.com/robin_shaun/XTDrone)
在里面可以学习到更多的无人机知识。
下载1:OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复:扩展模块中文教程,即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2:Python+OpenCV视觉实战项目52讲
在「小白学视觉」公众号后台回复:Python视觉实战项目,即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。
下载3:Pytorch常用函数手册
在「小白学视觉」公众号后台回复:pytorch常用函数手册,即可下载含有200余个Pytorch常用函数的使用方式,帮助快速入门深度学习。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~
怎样在ROS下实现基于YOLO的px4无人机目标检测?相关推荐
- agx 安装ros opencv_怎样在ROS下实现基于YOLO的px4无人机目标检测?
1. 搭建无人机仿真环境 首先需要安装mavros,这是一个飞机固件与ros通信的包: sudo apt install ros-kinetic-mavros ros-kinetic-mavros-e ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究
目录 基于深度学习的无人机图像目标检测算法研究 目标检测相关技术理论 2.1 引言
- Cython——Windows环境下配置faster-rcnn、yolo、ctpn等目标检测框架中Cython文件[cython_nms、bbox、gpu_nms]编译问题解决方案
问题描述 AttributeError: 'MSVCCompiler' object has no attribute 'compiler_so' ValueError: Buffer dtype m ...
- kcf 跟随_基于YOLO和KCF的目标跟踪算法研究
1. 引言 随着AI技术的不断发展,其子领域计算机视觉技术也获得了突飞猛进的进步,计算机视觉即通过机器实现"人眼"对事物的测量和判别能力.目前,计算机视觉技术主要应用于智能视频监控 ...
- 目标检测YOLO实战应用案例100讲-基于深度学习的显著性目标检测研究与应用(论文篇)
目录 基于深度学习的显著性目标检测综述 基于深度学习的显著性目标检测分类及难点分析
- 目标检测YOLO实战应用案例100讲-基于卷积神经网络的小目标检测算法研究
目录 基于卷积神经网络的小目标检测算法研究 基于卷积神经网络的小目标检测相关理论 2.1 引言
- 独家 | 在树莓派+Movidius NCS上运用YOLO和Tiny-YOLO完成目标检测(附代码下载)
作者:Adrian Rosebrock 翻译:吴振东 校对:郑滋 本文约5000字,建议阅读10+分钟 本文教你如何在树莓派和Movidius神经加速棒上运用Tiny-YOLO来实现近乎实时的目标检测 ...
- 基于深度卷积神经网络的目标检测研究综述
基于深度卷积神经网络的目标检测研究综述 人工智能技术与咨询 来自<光学精密工程> ,作者范丽丽等 摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究.目标检 ...
- YOLO V1 实时的目标检测 论文翻译
YOLO V1 实时的目标检测 论文翻译 注:学习记录用 摘要 我们提出了一种新的目标检测方法 YOLO.先前关于目标检测的工作重新使用分类器来执行检测. 相反,我们将目标检测框架作为一个回归问题,以 ...
最新文章
- 禁止validateRequest的办法
- Spring Boot实现热部署
- 有趣程序和让人捧腹大笑的注释,你的注释还不够骚
- python3程序运行中会跳过注释行,Python: 读取文件时如何忽略#条注释行
- java商城项目中多线程执行_java多线程中执行多个程序的实例分析
- apache make install 问题
- 【Linux】Linux备份与恢复——dump和restore命令
- linux下的p2p终结者
- 对抗机器学习论文-Towards Deep Learning Models Resistant to Adversarial Attacks(PGD)
- STM32F7--->FMC(可变存储控制器) Flexible Memory Controller
- ACM之路的高一下学期
- 蓝牙血压计医疗方案设计
- navicat12,使用自动完成代码,没有默认选中第1个,怎么设置?
- mysql mdl 锁_详细分析mysql MDL元数据锁
- 网页中实现安卓手机在线预览PDF文件
- 微信的分享功能(针对web手机站页面进行的分享功能)
- 用wget下载网站,实现离线浏览
- 达梦HS搭建(DM-DM)_yxy
- JS小游戏-象棋暗棋
- BZOJ2456 mode