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
|
传感器 Ubuntu 算法
【6. 激光雷达接入ROS】(1)
【6. 激光雷达接入ROS】(1)
1091 0
|
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
1457 0
|
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 PyTorch TensorFlow
TensorRT 模型加速——输入、输出、部署流程
本文首先简要介绍 Tensor RT 的输入、输出以及部署流程,了解 Tensor RT 在部署模型中起到的作用。然后介绍 Tensor RT 模型导入流程,针对不同的深度学习框架,使用不同的方法导入模型。
4131 1
|
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
15369 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
|
机器学习/深度学习 传感器 算法
【虚警检测】基于CA-CFAR(单元平均恒虚警)、GO-CFAR(最大选择恒虚警)、SO-CFAR(最小选择恒虚警)算法的恒虚警检测附Matlab代码
【虚警检测】基于CA-CFAR(单元平均恒虚警)、GO-CFAR(最大选择恒虚警)、SO-CFAR(最小选择恒虚警)算法的恒虚警检测附Matlab代码
1717 0
|
机器学习/深度学习 数据采集 编解码
AOA估计中的MUSIC算法(Matlab代码实现)
AOA估计中的MUSIC算法(Matlab代码实现)
653 0
|
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
1984 0
|
传感器 监控 物联网
基于STM32+微波雷达设计的非接触式睡眠监控系统
本项目开发一种非接触式的睡眠监控系统,该系统利用先进的60GHz毫米波雷达技术和STM32微控制器,实现了对人体在睡眠过程中的存在感知、运动感知以及生理指标如呼吸频率、心率的实时监测。系统能够自动评估睡眠质量,并在用户睡眠周期结束时提供睡眠评分。为了确保用户能够在任何地点了解自己的睡眠状况,系统集成了Wi-Fi模块,可以将收集到的数据上传至华为云物联网平台,并通过专门设计的移动应用程序供用户远程访问。此外,系统还具备超阈值报警功能,当检测到异常的生理指标时会发出警报提醒。本地1.44寸TFT LCD显示屏用于实时显示监测到的信息,包括生理指标和环境数据。为了全面监测用户的健康状况,系统还加入了
3478 1
基于STM32+微波雷达设计的非接触式睡眠监控系统

热门文章

最新文章