1.Gazebo 11分类教程——渲染库（三）
2.Navigation 2系列教程（七）——插件教程之三：编写新的源码控制器（Controller）插件
3.PX4从放弃到精通（二）：ubuntu18.04配置px4编译环境及mavros环境
4.Ubuntu20+ROS+px4 无人机仿真环境——环境搭建
5.机器人常见的仿真软件
6.ROS自学笔记九：创建并构建ROS功能包

Gazebo 11分类教程——渲染库（三）

       本节教程旨在指导如何在Gazebo 中配置立体眼镜，如Nvidia 3D Vision，源码以实现沉浸式体验。源码以下是源码详细的步骤：

       1.2 硬件准备

       确保你的设备满足以下要求：

       至少一个支持Hz刷新率的3D准备就绪的显示器。

       Nvidia Quadro K或性能更好的源码显卡，注意：使用Linux时，源码手机游戏钓鱼网站源码需确保显卡有3针脚的源码VESA连接器以支持3D功能。

       1.3 连接与软件配置

       使用显示端口或双DVI线缆，源码确保红外发射器通过USB和VESA电缆正确连接，源码并确保立体眼镜已充电。源码

       系统需求：Ubuntu .及以上版本，源码安装Nvidia驱动程序、源码libogre3d-1.9-dev、源码nvidia-settings，源码以及可能需要的源码Gnome Classic。

       从源代码编译Gazebo，并调整立体渲染相关设置。

       1.4 设置Nvidia Stereo

       通过nvidia-settings调整刷新率、分辨率，保存配置至xorg.conf，并添加stereo选项。

       重启X，检查Nvidia徽标确认设置正确。

       1.5 校验立体效果

       运行glxgears以验证3D效果是否正常。

       1.6 配置Gazebo

       在~/.gazebo/gui.ini中添加立体渲染相关配置，并运行Gazebo实例。

       以上步骤完成后，你应该能够在Gazebo中使用立体眼镜进行沉浸式渲染体验。如有疑问，可参考英文原文：gazebosim.org/tutorials...

Navigation 2系列教程（七）——插件教程之三：编写新的控制器（Controller）插件

       本教程详细介绍了如何创建自定义控制器插件，特别以实现纯追踪路径跟踪算法为例。首先，强调基于一篇论文实现该算法，并推荐阅读论文以获取更深入理解。然后，指出创建控制器插件的要求包括安装和构建 ROS 2、Nav2、Gazebo 和 Turtlebot3。接下来，指导读者创建纯追踪控制器插件的具体步骤，包括继承自基类nav2_core::Controller，并实现computeVelocityCommands、王者挂人机源码configure和setPlan方法。在configure方法中，获取特定于控制器的ROS参数desired_linear_vel，以保持组织有序并保持插件间参数的独立性。在setPlan方法中，接收并处理更新后的全局路径。computeVelocityCommands方法计算期望速度指令，以使机器人尽可能遵循全局路径。所有未使用的基类方法必须覆盖，但在此教程中它们被置为空实现。接着，演示如何导出控制器插件，包括在源代码中使用pluginlib宏进行导出，并创建插件描述文件、使用cmake函数导出插件以及添加插件描述到package.xml中。最后，通过修改nav2_params.yaml文件来传递插件名称，实现控制器插件的启用，并通过运行仿真环境验证控制器的功能。

PX4从放弃到精通（二）：ubuntu.配置px4编译环境及mavros环境

       前言

       在虚拟机上使用Ubuntu系统进行PX4编译环境及mavros环境配置时，建议使用纯净系统，避免软件依赖冲突。已装系统或虚拟机的用户可直接进行环境安装，确保网络环境良好，以降低安装报错概率。

       一、下载源码

       先替换源至清华源或阿里源。执行命令并根据提示安装或更新git。如遇下载失败，更换源后重新执行。确保网络稳定，若提示下载问题，尝试网络修复后重新执行。

       二、安装PX4与gazebo9环境

       完成源码下载后，根据安装说明逐步配置编译环境和gazebo仿真环境。遇到下载失败的错误，多为网络问题，解决后重新执行安装脚本。如遇特定错误，执行对应命令解决。cad在线预览源码

       三、编译PX4固件

       安装环境后，通过指定命令编译生成gazebo仿真所需的sdf文件。若需编译飞控代码，重启电脑。遇到编译错误时，根据错误提示执行相应命令解决，如安装缺失的库或依赖。

       四、安装ros和mavros环境

       确保ROS环境正确安装，处理相关错误后，使用推荐方式安装mavros。推荐使用二进制安装，对于Ubuntu.的用户，执行特定命令进行安装。

       四、其他

       安装完成后，在~/.bashrc文件中添加相关配置路径。确保在.bashrc中包含PX4源码路径，以正确启动roslaunch和连接QGC地面站。测试mavros功能，确保系统安装无误。

       五、安装QGC地面站

       通过指定链接下载QGC地面站，执行相应命令后双击打开。若首次打开地面站时出现提示，执行命令后即可正常启动。

       以上步骤详细介绍了从配置环境到编译PX4固件、安装ros和mavros环境以及安装QGC地面站的全过程，确保用户能够顺利在虚拟机上使用Ubuntu系统进行PX4的开发工作。

Ubuntu+ROS+px4 无人机仿真环境——环境搭建

       Ubuntu+ROS+px4 无人机仿真环境搭建教程

       本文旨在引导你搭建一个高效验证无人机轨迹规划和控制算法的仿真环境，我们将逐步构建基础环境并验证算法效果。首先，让我们来了解环境搭建的三个关键步骤。

       环境搭建步骤

1. 安装ROS Noetic: Ubuntu .对应的ROS版本为Noetic，建议在安装前设置终端代理以避免网络问题。以下是简要步骤：

       换源并更新源

       设置ROS源和密钥

       安装curl（如需）

       选择安装全功能包ros-noetic-desktop-full

       设置环境变量和rosdep

       进行简单测试

2. PX4环境安装: 包括下载编译px4源码、安装mavros和qground。参考详细的安装教程，注意px4和相关软件的安装路径。

3. 显卡驱动: 如果Gazebo运行卡顿，溯源码燕窝编号可能是缺少显卡驱动，参考相关链接进行安装。可能需要在恢复模式下进行驱动管理。

       以上步骤完成后，你将拥有一个适合验证无人机控制算法的仿真环境。后续文章将深入探讨轨迹规划和控制算法的实现与测试。祝你搭建顺利！

机器人常见的仿真软件

       ```html

       在机器人技术的舞台上，仿真软件扮演着至关重要的角色，它在节省成本和时间的同时，让开发者能够提前解决潜在问题。其中，Webots以其卓越的性能和广泛的适用性，成为了众多工程师的首选。

Webots - 开源的机器人仿真圣殿

       Webots，一个深受开发者喜爱的开源软件，基于Apache2.0许可，为机器人、车辆和生物力学系统提供了全面的开发环境。它的魅力在于其友好的界面、详尽的教程和快速上手的操作体验。它支持C/C++、Python和JavaScript编程，无论是无人机、机械臂、机械狗，还是室内机器人，都能在虚拟世界中游刃有余。例如，稚晖君就曾利用Webots进行过仿真实践，展现了其强大的功能和灵活性。

       然而，游戏引擎Unity也不容小觑。作为一款专业游戏开发工具，Unity不仅适用于游戏开发，它的物理引擎和3D渲染能力使得它在机器人仿真中也大放异彩。Unity3D以其易用性和广泛应用，成为了许多手游背后的推手，包括自动驾驶汽车领域的研究与探索。

自动驾驶的创新之路

       在自动驾驶的前沿，Nvidia Research的学生报考系统源码研究者们使用Unity中的仿真平台，实现了CNN模型，通过PyTorch处理来自车辆的摄像头数据，实现了端到端的自动驾驶预测。这证明了Unity在复杂场景模拟中的威力，为自动驾驶技术的进步提供了关键支持。

       当然，还有同样热门的gazebo，作为ROS开发者们的常客，它在机器人仿真领域占据着一席之地。如果你正在寻找更深入的学习资源，不妨关注我们的公众号，获取更多实战项目的源码，如下载1中的openCRobotics源码，包含了A*算法等多种机器人控制技术，以及下载2中的人工智能摄像头项目，涵盖了从视觉识别到自动驾驶的全面实战内容。

       总而言之，无论是Webots、Unity还是gazebo，这些仿真软件都在为机器人技术的进步贡献力量，为工程师们提供了创新的舞台。通过它们，我们可以在虚拟世界中探索无尽的可能性，为现实世界的机器人应用打下坚实的基础。

       ```

ROS自学笔记九：创建并构建ROS功能包

       了解并运用ROS（Robot Operating System）是构建机器人系统的重要技能。在上一期文章中，我们深入探讨了Gazebo的使用，而这一期，我们将聚焦于如何创建和构建ROS功能包。首先，确保你已安装了ROS，若未安装，可参考官方文档进行。接下来，通过以下步骤开始你的编程之旅：

       1. 打开终端并切换至你计划创建功能包的目录。

       2. 利用`catkin_create_pkg`命令创建功能包，指定功能包名称及依赖软件包，例如：创建名为"my_package"的功能包，并添加"roscpp"与"std_msgs"依赖。

       3. 进入新创建的功能包目录。

       4. 在功能包中添加源代码文件或资源。在`src`文件夹内编写C++或Python代码，在`launch`文件夹中创建启动文件。

       5. 返回至工作区根目录，执行构建功能包操作。此步骤将编译所有ROS功能包并生成可执行文件。

       6. 运行ROS节点。使用`rosrun`命令执行你的ROS节点，确保功能包在正确路径下。

Navigation2源码剖析:（二）启动

       Navigation2源码剖析:（二）启动

       Nv2源码中的bringup包和svl-robot-bringup负责LgSvl仿真和Nv2项目的启动，它们是整个工程的入口。

       主车设计采用两轮差分驱动，如Turtlebot3，由两个动力轮控制轮速，实现前进和转向，万向轮作为支撑。其控制模型基于开环系统，可通过添加负反馈形成闭环，以提高控制精度。

       Nv2的传感器配置包括2D激光雷达（Lidar）、深度相机和imu模块。Lidar用于建图、定位和代价地图生成，depth-camera提供障碍物信息，imu则用于里程计数据的计算和漂移校正。在Gazebo仿真中，IMU直接作为输入。

       在LGCloi中，已预置6种传感器，选择Nav2-PointCloud或Navigation2配置，主要区别在于Lidar数据类型。为适配Nv2需求，需使用pointcloud_to_laserscan包将PointCloud2转换为LaserScan类型，这一过程涉及数据压缩和转换，如图[5]所示。

       svl-robot-bringup和nav2_bringup模块在项目启动过程中起关键作用，详细内容可参考相关附录[4]。

四足机器人雷达-视觉导航2：Elevation mapping局部高程图测试

       为了四足机器人实现高效的局部高程图构建，结合视觉与雷达技术，确保导航的准确性和稳定性，本文将详细阐述这一过程。四足机器人相较于自动驾驶，需要主动选择落足点，因此局部高程图尤为重要。获取高程图，视觉与雷达传感器各有优劣，例如视觉传感器易受光照、遮挡等因素影响，而雷达传感器在噪声、死区和点云稀疏等问题上则有所欠缺。因此，融合视觉与雷达数据，形成互补，成为目前较为稳定的解决方案。

       雷达提供长期可靠的里程计信息，而深度视觉则用于获取局部深度数据，从而建立高程图。这种方案分为实时高程图与全局高程图两种。实时高程图基于深度信息快速构建，实现简便，速度较快，甚至可能无需全局定位数据。然而，视角和深度图质量问题可能导致噪声和空洞。全局高程图则先建立整个环境的地图，然后基于里程计信息提取局部信息，这种方案需要全局定位信息，但通过利用机器人多视角下的数据采集，不断优化修正全局高程地图，最终提取的局部高程图质量更高。

       实现高程图建立的项目，以ETH开源的“elevation mapping”为代表。本文提供了一个从最初下载、编译到最终基于Gazebo仿真运行简单Demo的过程，旨在帮助快速部署项目。首先，确保ROS的正确安装与更新，采用melodic版本。其次，安装Grid Map、kindr、pcl点云库等依赖库，注意在编译过程中可能遇到的内存不足等问题，确保编译环境的资源充足。在进行PCL库编译时，遇到的“error: ‘PCL_MAKE_ALIGNED_OPERATOR_NEW’ does not name a type”问题，可以通过修改为“EIGEN_MAKE_ALIGNED_OPERATOR_NEW”解决。在下载和编译kindr_ros与elevation mapping后，通过catkin_make进行编译，可能遇到的编译错误如“fatal error”问题，需要找到并修正hpp文件中的错误。

       在完成安装与编译后，通过下载turtlebot3与相关ROS包，建立新的catkin工作空间，下载源码并编译。在编译过程中，可能需要解决与python版本匹配、文件路径等细节问题。运行Demo，基于turtlebot3和RealSense的示例，注意可能需要对脚本进行修改以适应特定的环境或系统配置，如Python版本匹配问题，以及修改地图文件路径。在运行中，通过Rviz观察点云和高程图数据，验证高程图构建的实时性和准确性。

       然而，在实际应用中，还存在一些挑战。例如，运算速度可能无法满足实时需求，尤其是不采用GPU的情况下，刷新频率可能较低。真实世界中的传感器噪声相比仿真环境更大，地图构建效果可能不如预期。此外，需要进一步开发代码以提取局部高程图，并通过UDP或共享内存等方式将其发送给步态控制器。随着机器人运动，全局地图的构建与维护对于计算资源的要求较高，尤其是使用低成本处理器时。面对这些问题，可能需要优化算法、改进资源管理，或直接构建局部地图以适应不同环境与设备的性能限制。

       综上所述，结合视觉与雷达技术构建的高程图，对于四足机器人的局部导航具有重要价值。通过合理利用开源资源与技术工具，可以实现从环境感知到高程图构建的全流程，为机器人的自主导航提供坚实的支撑。面对实际应用中的挑战，持续的技术优化与创新将推动四足机器人在复杂环境下的高效导航与操作能力。

[1](含源码)通过关节力矩指令控制LBR/iiwa机械臂运动

       本文改编自 MATLAB 的自带帮助文档，介绍了如何使用 MATLAB 和 V-REP 进行 LBR/iiwa 机械臂的计算力矩控制仿真。相较于使用 Gazebo 的原例程，本例程旨在通过将 Gazebo 替换为 V-REP，实现 V-REP 和 MATLAB 的通信与数据交互。本文将逐步指导实现这一仿真过程。

       首先，构建项目结构，包括用于存放场景文件、通信文件和控制文件的三个子文件夹。确保 MATLAB 版本不低于 b，以便加载 URDF 文件。然后，利用 MATLAB 的自带 LBR/iiwa 机械臂的 URDF 文件及三维模型文件，创建场景文件并将其加载至 V-REP 中。处理可能出现的路径兼容性问题，确保仿真环境的搭建无误。

       通信准备阶段，复制 V-REP 相关组件至 MATLAB 文件夹，并利用 vrchk.m 文件进行通信失败类型提示。创建 iiwa_computer_torque_control_workcell_init.m 函数文件，用于初始化 V-REP 与 MATLAB 之间的通信链路，包括获取关节句柄和进行 streaming 初始化。

       接下来，实现与 V-REP 的通信代码。在 iiwa_computed_torque_control 文件夹内，建立 iiwa_computed_torque_control.m 文件，其中包含通信代码框架，以适应后续的控制逻辑。在此阶段，主要关注同步模式控制的实现，确保机械臂在 MATLAB 的控制指令下按照预定轨迹运行。

       在控制代码编写中，遵循关节力矩控制原理，选择同步模式进行仿真。此模式下，控制输入与 V-REP 的动作同步，即在 MATLAB 发出控制指令后，V-REP 在预设的时间间隔内执行该指令。通过调用 V-REP 的 API，实现关节位置、速度与加速度的控制，以及力矩的计算与应用，使机械臂按照预期轨迹运行。

       为了保证控制的准确性，进行数据处理以对比前馈和反馈力矩，以及期望与实际关节位置和速度。此阶段的分析结果有助于优化控制算法，确保机械臂能够精确地按照预设路径运动。

       最后，进行仿真运行前的系统配置，确保 V-REP 和 MATLAB 都已关闭，然后按照特定流程启动 V-REP，加载场景文件，并在 MATLAB 中运行相关代码。通过观察 V-REP 中的仿真动画，验证仿真过程的正确性与稳定性。

       此过程不仅适用于学术研究和学习，也为实际应用提供了参考，旨在推动机器人控制技术的发展。通过分享此例程，旨在激发更多人对机器人控制的兴趣，并欢迎各界反馈与建议，共同促进技术进步。