TI AWR1843毫米波雷达采集三维点云数据(ROS)

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。
ROS入门实践
本课程将基于基础设施即代码 IaC 的理念,介绍阿里云自动化编排服务ROS的概念、功能和使用方式,并通过实际应用场景介绍如何借助ROS实现云资源的自动化部署,使得云上资源部署和运维工作更为高效。
目录
相关文章
|
机器学习/深度学习 存储 计算机视觉
【CVPR2020】ECA-Net:深度卷积神经网络的有效通道注意力
【CVPR2020】ECA-Net:深度卷积神经网络的有效通道注意力
2595 1
【CVPR2020】ECA-Net:深度卷积神经网络的有效通道注意力
|
人工智能 算法 数据可视化
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-2
路径规划最全综述+代码+可视化绘图(Dijkstra算法+A*算法+RRT算法等)-2
|
机器学习/深度学习 存储 编解码
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
14754 1
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
|
存储 数据采集 数据可视化
Open3d系列 | 1. Open3d实现点云数据读写、点云配准、点云法向量计算
Open3d系列 | 1. Open3d实现点云数据读写、点云配准、点云法向量计算
17624 1
Open3d系列 | 1. Open3d实现点云数据读写、点云配准、点云法向量计算
超详细且简单的Qt Designer设置界面背景图
超详细且简单的Qt Designer设置界面背景图
超详细且简单的Qt Designer设置界面背景图
|
传感器 机器学习/深度学习 数据采集
【航迹关联】基于NNDA、PDA、JPDA三种算法实现航迹关联附matlab代码
【航迹关联】基于NNDA、PDA、JPDA三种算法实现航迹关联附matlab代码
|
8月前
|
传感器 机器学习/深度学习 分布式计算
卡尔曼滤波的多传感器数据融合算法
卡尔曼滤波的多传感器数据融合算法
1247 0
|
8月前
|
机器学习/深度学习 人工智能 安全
正式发布!一文总览《中国人工智能应用发展报告(2025)》
阿里云研究院联合央视频等机构发布《中国人工智能应用发展报告(2025)》,全面分析人工智能技术趋势与产业应用,涵盖六大技术创新、五类落地场景、四力评估体系及百个创业案例,提出“五位一体”发展建议,推动AI成为新质生产力的核心引擎。
1775 0
|
传感器 机器学习/深度学习 编解码
自动驾驶 | 毫米波雷达视觉融合方案综述(数据级/决策级/特征级融合)
自动驾驶在复杂场景下的目标检测任务至关重要,而毫米波雷达和视觉融合是确保障碍物精准检测的主流解决方案。本论文详细介绍了基于毫米波雷达和视觉融合的障碍物检测方法,从任务介绍、评估标准和数据集三方面展开。
自动驾驶 | 毫米波雷达视觉融合方案综述(数据级/决策级/特征级融合)
|
网络协议 Java Linux
PyAV学习笔记(一):PyAV简介、安装、基础操作、python获取RTSP(海康)的各种时间戳(rtp、dts、pts)
本文介绍了PyAV库,它是FFmpeg的Python绑定,提供了底层库的全部功能和控制。文章详细讲解了PyAV的安装过程,包括在Windows、Linux和ARM平台上的安装步骤,以及安装中可能遇到的错误和解决方法。此外,还解释了时间戳的概念,包括RTP、NTP、PTS和DTS,并提供了Python代码示例,展示如何获取RTSP流中的各种时间戳。最后,文章还提供了一些附录,包括Python通过NTP同步获取时间的方法和使用PyAV访问网络视频流的技巧。
3893 4
PyAV学习笔记(一):PyAV简介、安装、基础操作、python获取RTSP(海康)的各种时间戳(rtp、dts、pts)