news 2026/2/28 3:32:08

水下巡检竞赛代码实践:基于树莓派与 Pixhawk 的探索

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
水下巡检竞赛代码实践:基于树莓派与 Pixhawk 的探索

水下巡检竞赛代码,树莓派控制飞控stm32ros无线控制水下机器人控制水下机器人,只是实现巡检的功能,可以让你快速上手了解mvlink协议,前提得是pixhawk和树莓派,飞控树莓派,是针对巡检的代码,阈值纠偏 中心点纠偏,pix2.4.8 树莓派4b

最近参与水下巡检竞赛,研究了基于树莓派 4B 和 Pixhawk(版本 2.4.8)实现水下机器人巡检功能的代码,这里和大家分享下我的经验,希望能帮助你快速上手了解 MAVLink 协议。

整体架构

整个系统以树莓派作为主控单元,负责与外部通信、处理图像数据并向飞控 STM32(集成在 Pixhawk 中)发送指令。Pixhawk 则根据接收到的指令控制水下机器人的动作。

飞控与树莓派通信 - MAVLink 协议

MAVLink 协议是一种轻量级的消息协议,用于在飞行器组件之间进行通信。在树莓派端,我们可以使用 pymavlink 库来实现与 Pixhawk 的通信。

安装 pymavlink

pip install pymavlink

简单的连接代码示例

from pymavlink import mavutil # 创建连接 master = mavutil.mavlink_connection('udpin:0.0.0.0:14550') # 等待心跳包,以确保连接成功 master.wait_heartbeat() print("Heartbeat from system (system %u component %u)" % (master.target_system, master.target_component))

在这段代码中,我们通过mavutil.mavlinkconnection建立了与 Pixhawk 的 UDP 连接。waitheartbeat方法会阻塞程序,直到接收到来自 Pixhawk 的心跳包,表明连接成功。

巡检功能实现 - 阈值纠偏与中心点纠偏

在巡检过程中,我们需要根据摄像头获取的图像信息来调整水下机器人的位置,这就涉及到阈值纠偏和中心点纠偏。

阈值纠偏

假设我们通过图像识别获取到目标物体的颜色信息,以红色为例,我们可以设定一个颜色阈值范围来判断是否检测到目标。

import cv2 import numpy as np # 读取图像 image = cv2.imread('underwater_image.jpg') hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义红色的 HSV 阈值范围 lower_red = np.array([0, 100, 100]) upper_red = np.array([10, 255, 255]) # 根据阈值构建掩膜 mask = cv2.inRange(hsv, lower_red, upper_red) # 对原图像和掩膜进行位运算 res = cv2.bitwise_and(image, image, mask=mask) cv2.imshow('Original', image) cv2.imshow('Mask', mask) cv2.imshow('Result', res) cv2.waitKey(0) cv2.destroyAllWindows()

在这段代码里,我们将图像从 BGR 颜色空间转换到 HSV 颜色空间,然后通过cv2.inRange函数根据设定的阈值范围创建掩膜。这样就能筛选出图像中符合红色阈值范围的部分,以便后续判断是否需要纠偏。

中心点纠偏

当检测到目标后,我们要计算目标在图像中的中心点,并与图像中心进行比较,从而确定如何调整水下机器人的方向。

# 计算掩膜的矩 M = cv2.moments(mask) if M["m00"]!= 0: cX = int(M["m10"] / M["m00"]) cY = int(M["m01"] / M["m00"]) else: cX, cY = 0, 0 # 获取图像尺寸 height, width, _ = image.shape image_center_x = width // 2 image_center_y = height // 2 # 计算偏差 delta_x = cX - image_center_x delta_y = cY - image_center_y print(f"X 方向偏差: {delta_x}, Y 方向偏差: {delta_y}")

这里通过cv2.moments函数计算掩膜的矩,进而得到目标的中心点坐标cXcY。然后获取图像的中心坐标,计算出与目标中心点的偏差deltaxdeltay。根据这些偏差值,我们就可以通过 MAVLink 协议向 Pixhawk 发送指令,调整水下机器人的位置。

通过以上代码和方法,我们就能基于树莓派和 Pixhawk 实现水下机器人的巡检功能,同时深入理解 MAVLink 协议在实际项目中的应用啦。希望大家在相关项目中能有所收获!

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/10 12:58:42

PyTorch张量操作详解:torch.Tensor基础用法

PyTorch张量操作详解:torch.Tensor基础用法 在深度学习的日常开发中,一个看似简单的环境配置问题,往往能让开发者耗费数小时甚至一整天。你是否曾遇到过这样的场景:本地训练好的模型,部署到服务器却提示“CUDA not ava…

作者头像 李华
网站建设 2026/2/23 3:11:52

5 款 AI 写论文哪个好?实测后发现,这款全链学术工具成毕业党首选!

毕业季来临,AI 写论文工具已成为学子们的 “减负刚需”。市面上百度文心一言、ChatGPT、通义千问、豆包、虎贲等考 AI5 款热门工具同台竞技,究竟哪款能真正破解毕业论文写作痛点?经过对 “功能覆盖、学术支撑、原创合规、实用适配” 四大核心…

作者头像 李华
网站建设 2026/2/25 21:28:08

使用PyTorch进行语音识别ASR初步尝试

使用PyTorch进行语音识别ASR初步尝试 在智能语音助手、会议实时转录和无障碍技术日益普及的今天,自动语音识别(ASR)正从实验室走向千行百业。而在这背后,深度学习框架的选择与开发环境的搭建,往往是决定项目成败的关键…

作者头像 李华
网站建设 2026/2/4 13:15:03

Docker stats实时监控PyTorch容器资源占用

Docker 实时监控 PyTorch 容器资源占用:从环境搭建到性能调优 在现代深度学习工程实践中,一个常见的场景是:团队成员在本地能跑通的模型,部署到服务器后却频繁崩溃;或是训练任务 GPU 利用率始终徘徊在 30% 以下&#…

作者头像 李华
网站建设 2026/2/26 4:09:53

使用PyTorch进行图像分割U-Net实战

使用PyTorch进行图像分割U-Net实战 在医学影像分析、智能诊断系统和病理切片识别等场景中,精准地从显微图像中分割出细胞核、肿瘤区域或组织结构,是自动化辅助诊断的第一步。然而,这类任务往往面临样本量少、标注成本高、边缘细节复杂等问题…

作者头像 李华
网站建设 2026/2/26 9:56:56

[STM32C0] 【STM32C092RC 测评】2、板载外设——串口

在进行新开发板测试时,我们优先进行了板载外设的串口功能测试。鉴于串口调试功能在整个测试流程中的重要性,其能够持续提供测试状态的关键信息输出,因此,我们采用printf打印功能作为测试过程中的状态监测手段,这是首要…

作者头像 李华