TI AWR1843毫米波雷达采集三维点云数据(ROS)

本文涉及的产品
资源编排,不限时长
简介: TI AWR1843毫米波雷达采集三维点云数据(ROS)

毫米波雷达以其稳定性、对不同环境的适应能力、价格等方面的优势逐步引起了科研人员的注意,本文主要介绍利用了TI(德州仪器)的AWR1843设备,基于ROS系统进行采集点云数据的流程。供大家参考及为自己做一个笔记。

准备

Ubuntu 18.04 + ROS Melodic (推荐工作环境)


使用Uniflash成功烧录对应SDK版本中的


Demo(mmwave_sdk_03_05_00_04/packages/ti/demo/xwr18xx/mmw/xwr18xx_mmw_demo.bin)


能够在mmwave demo visulalizer 的离线版本或者网页版本中成功运行开箱演示的demo,看到数据。


官方参考链接

下载源码

下载ti_mmwave_rospkg ROS driver这个lab的源码:

git clone https://git.ti.com/git/mmwave_radar/mmwave_ti_ros.git

切换到下载项目中的"ros_driver"文件夹中:

cd mmwave_ti_ros/ros_driver/

编译

编译:

catkin_make

编译通过后出现下述界面:

最后source一下当前工作环境即可。

source devel/setup.bash

至此,我们就完成了ti官方开发的ros driver的编译与准备。

用户权限

我们在使用ros driver这个demo时需要控制电脑的两个端口,分别用来发送命令和传输数据。这需要我们的用户在dialout这个组中。

首先使用:

groups

查看当前用户名所在的用户组。可以看到我的用户名“xiaochen”并没有在dialout这个用户组中。

接着,执行下述命令进行添加用户名到dialout用户组:

sudo adduser xiaochen dialout

重启电脑,生效添加用户的命令。

再次运行groups命令进行查看,结果如下:

硬件配置/启动

  1. 连接电源线,给板子上电
  2. 连接USB数据线,发送命令/传输数据
    针对本文介绍的AWR 1843板子,启动对应的launch文件:
roslaunch ti_mmwave_rospkg 1843_multi_3d_0.launch 

第一次运行会出现下述乱码,不过没有关系,ctrl + C 结束命令,我们再次运行一次。

可以看到弹出一个rviz窗口,并出现了三维点云数据:

使用rostopic list查看当前所发布的topic。

其中:/ti_mmwave/radar_scan_pcl_0就是我们想要记录的topic数据,使用rosbag record进行记录即可。

点云数量

相信读者可能会发现rviz中点云数量非常少,这一方面时毫米波雷达本身就不能获取较高质量的数据,另一方面时我们需要修改一下 .cfg文件中的参数配置。


在:/mmwave_ti_ros/ros_driver/src/ti_mmwave_rospkg/cfg路径下找到对应的cfg文件,本文的是:“1843_3d.cfg”,打开此文件:

修改其中:

cfarCfg -1 0 2 8 4 3 0 15 1

cfarCfg -1 1 0 4 2 3 1 15 1

为:

cfarCfg -1 0 2 8 4 3 0 15 0

cfarCfg -1 1 0 4 2 3 1 15 0

之后,重新执行命令:

roslaunch ti_mmwave_rospkg 1843_multi_3d_0.launch 

可以看到点云数量有明显增加:

相关实践学习
使用ROS创建VPC和VSwitch
本场景主要介绍如何利用阿里云资源编排服务,定义资源编排模板,实现自动化创建阿里云专有网络和交换机。
阿里云资源编排ROS使用教程
资源编排(Resource Orchestration)是一种简单易用的云计算资源管理和自动化运维服务。用户通过模板描述多个云计算资源的依赖关系、配置等,并自动完成所有资源的创建和配置,以达到自动化部署、运维等目的。编排模板同时也是一种标准化的资源和应用交付方式,并且可以随时编辑修改,使基础设施即代码(Infrastructure as Code)成为可能。 产品详情:https://www.aliyun.com/product/ros/
目录
相关文章
|
9月前
|
存储 搜索推荐 算法
【源码】医学影像PACS实现三维影像后处理等功能
【源码】医学影像PACS实现三维影像后处理等功能
111 0
【源码】医学影像PACS实现三维影像后处理等功能
|
19天前
|
传感器 机器学习/深度学习 编解码
NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM)1m分辨率
NEON LiDAR 数据导出的地表数字模型 (DSM) 和地形数字模型 (DTM),分辨率为1米。DSM 包含地表特征(植被和建筑物),DTM 则为裸地高程信息。数据覆盖2013年至今,适用于生态与地形研究。提供 DTM 和 DSM 两个波段,值范围为0-3500米,单位为米。数据遵循 CC0 1.0 协议,无版权限制,鼓励广泛使用。
108 66
|
计算机视觉
【状态估计】基于卡尔曼滤波器和扩展卡尔曼滤波器用于 INS/GNSS 导航、目标跟踪和地形参考导航研究(Matlab代码实现)
【状态估计】基于卡尔曼滤波器和扩展卡尔曼滤波器用于 INS/GNSS 导航、目标跟踪和地形参考导航研究(Matlab代码实现)
113 0
|
缓存 数据可视化 vr&ar
医学影像PACS源码 三维多平面重建、三维容积重建
持所见即所得报告书写方式; •  报告单预览功能(在书写、审核、打印时都可随时预览报告); •  在书写报告过程中可随时切换报告单样式; •  相关检查功能:在书写报告时可查看患者相关检查的图像及报告信息; •  常用词汇管理,支持报告模板管理;
|
机器学习/深度学习 传感器 算法
【滤波跟踪】基于IMM多模滤波器和全局最近邻GNN算法实现雷达多机动目标自适应跟踪附matlab代码
【滤波跟踪】基于IMM多模滤波器和全局最近邻GNN算法实现雷达多机动目标自适应跟踪附matlab代码
【滤波跟踪】基于IMM多模滤波器和全局最近邻GNN算法实现雷达多机动目标自适应跟踪附matlab代码
|
传感器 存储 编解码
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹。
268 0
|
传感器 机器学习/深度学习 算法
【滤波跟踪】基于扩展卡尔曼滤波器实现 IMU 和 GPS 数据计算无人机的姿态附matlab代码
【滤波跟踪】基于扩展卡尔曼滤波器实现 IMU 和 GPS 数据计算无人机的姿态附matlab代码
|
机器学习/深度学习 传感器 监控
【目标检测】基于帧间差法实现视频目标检测和轨迹分析附matlab代码和GUI界面
【目标检测】基于帧间差法实现视频目标检测和轨迹分析附matlab代码和GUI界面
|
机器学习/深度学习 传感器 算法
【滤波跟踪】基于matlab实现GPS+IMU数据融合
【滤波跟踪】基于matlab实现GPS+IMU数据融合
|
传感器 索引
在 ArcGIS 中由激光雷达创建强度图像
强度是反映生成某点的激光雷达脉冲回波强度的一种测量指标(针对每个点而采集)。该值在一定程度上基于被激光雷达脉冲扫到的对象的反射率。其他对强度的描述包括“回波脉冲振幅”和“反射的后向散射强度”。反射率是所用波长(通常是在近红外波段)的函数。
114 0