PIX学习路径-3-PIXHAWK二次开发之前需要知道的事

现在作为一个consumer,能够实现将飞机装配,使用MP进行固件烧录,初始化校准,然后还能够调节PID,这样算是一个合格的consumer了,现在希望对PIXHAWK进行进一步的研究,毕竟作为开源飞控之王肯定有它的道理。

之前有参考过知乎的文章:https://www.zhihu.com/question/38874663
如何对开源飞控进行二次开发。
很关键是给自己二次开发做一次定位。

这里假定大家都能够按照EXUAV里面的教程正常的使用飞控。
所以这里说一下在进行二次开发之前我了解到的东西。

1.APM/PX4/PIXHAWK/固件/Ardupilot/等等词汇

以下内容来自Ardupilot官网,飞控的成长离不开这个社区
This is the logo in the index of APM:Copter.
这里写图片描述
copter can transform a wide range of helicopter and multirotor aircraft into autonomous flying vehicles

翻译:
Copter可以将广泛的直升机和多旋翼飞机变成自主飞行工具

所以有必要了解一下历史。

历史回顾:
3DRobotics公司(3DR)——(2009)
发布第一款Ardupilot板子——(2009/5)
创建Ardupilot代码仓库——(2009/11)
推出改善后的Ardupilot V2.4——(2009/12)
3DR推出APM1——(2010)
3DR发布了APM2——(2011)
3DR发布了APM2.5/2.6——(2012)
苏黎世联邦理工学院(Lorenz Meier,MikeS)/ 3D Robotics发布了PX4——(2012/7)
ETH (Lorenz Meier,MikeS)/3D Robotics发布了PIXHAWK——(2013/11)

所以总而言之我们现在使用的是第三代飞控系统PIXHAWK
发展路线是APM-PX4-PIXHAWK
APM:ArdupilotMega的简称,现在说APM一般指的是硬件平台。是一个通用的自动驾驶仪,对于不同的平台,使用不同的固件,便可以具有不同的功能。

推荐:PIXHAWK能够使用2种固件,PX4原生固件,APM for PIX,推荐使用PX4的原生固件。QGC地面站是3DR推荐的新地面站,转为PX4/PIXHAWK设计。只有使用Qgroundcontrol下载的固件才是原生的PX4/PIXHAWK固件。使用MissionPlanner刷的是APM的老固件,虽然都能用,但是你只是升级了硬件,软件没升级。

PIXHAWK算是PX4的升级版本,但是软件能够完全兼容,其实PIXHAWK和PX4都用的是PX4的固件。

备注:
IMU:惯性测量单元,可输出载体三轴角速度加速度值
固件:简单来讲,就是烧录进去的软件部分
推荐到到PIXHAWK的官网上去看相关的开发教程。
官网有相关的固件下载。
APM已经走到了终点,PIXHAWK是以后的重点。

在了解了这些名词的区别之后,关于如何开始下一步这里有一些推荐的网址供大家参考,但是更加推荐的是一定要去官网去看相关的开发着手册,多逛Git

http://blog.csdn.net/msq19895070/article/category/6154576
http://blog.csdn.net/freeape/article/details/46820807

Pixhawk是飞控硬件平台,PX4和ArduPilot都是开源的可以烧写到Pixhawk飞控中的自驾仪软件,PX4称为原生固件,专为Pixhawk打造。APM(Ardupilot Mega)早期也是一款自驾仪硬件,到APM3.0版本,这款基于Arduino Mega的自驾仪已经走到了它的终点。ArduPilot早期是APM自驾仪的固件,Pixhawk作为APM的升级版,也兼容ArduPilot固件,APM自驾仪卒了之后,ArduPilot现在全面支持Pixhawk,现在大家亲切的称ArduPilot固件为APM。

pix2pix-GAN是一种用于图像转换的深度学习模型,它可以将一种类型的图像转换为另一种类型的图像。在这个问题中,您提到了"pix2pix-gan ct mr",我假设您想了解如何使用pix2pix-GAN模型将CT扫描图像转换为MR扫描图像。 为了使用pix2pix-GAN模型进行CT到MR图像的转换,您需要进行以下步骤: 1. 数据准备:首先,您需要准备一个包含CT和MR图像对的数据集。这些图像对应该是配对的,即每个CT图像都有一个对应的MR图像。您可以使用医学图像处理软件或库来获取这些图像对,并确保它们具有相同的尺寸和对应的结构。 2. 数据预处理:在将图像输入pix2pix-GAN模型之前,您可能需要对图像进行一些预处理。例如,您可以对图像进行归一化、裁剪或调整大小,以确保它们具有相同的尺寸和范围。 3. 模型训练:接下来,您需要使用准备好的数据集来训练pix2pix-GAN模型。您可以使用已经实现的pix2pix-GAN模型,如上述提到的https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix。该库提供了一个训练脚本,您可以使用该脚本来训练您的模型。在训练过程中,模型将学习如何将CT图像转换为MR图像。 4. 模型测试和应用:一旦您的模型训练完成,您可以使用它来进行图像转换。您可以将一个CT图像输入到模型中,并获得一个对应的MR图像作为输出。这样,您就可以使用pix2pix-GAN模型将CT图像转换为MR图像。 请注意,以上步骤只是一个基本的概述,实际应用中可能还需要进行更多的调整和优化。此外,确保您遵循适当的法律和伦理规定,以及获得必要的许可和数据使用权。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值