news 2026/4/18 10:19:02

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 2026/4/18 9:43:03

我发现ESLint检查慢,后来用--cache提速

💓 博客主页:瑕疵的CSDN主页 📝 Gitee主页:瑕疵的gitee主页 ⏩ 文章专栏:《热点资讯》 Node.js:从咖啡馆到云端的神奇之旅目录Node.js:从咖啡馆到云端的神奇之旅 为什么Node.js像一杯“不卡顿”…

作者头像 李华
网站建设 2026/4/16 14:21:23

GitHub Releases发布PyTorch项目正式版本

PyTorch-CUDA-v2.7 镜像发布:开启标准化深度学习环境新阶段 在当前 AI 技术高速迭代的背景下,一个稳定、可复现且即开即用的开发环境,往往比模型本身更能决定项目的成败。尤其是在团队协作、教学实训或持续集成场景中,“在我机器上…

作者头像 李华
网站建设 2026/4/18 8:31:28

国内低代码开发平台有哪些?

在数字经济浪潮持续演进的背景下,低代码开发平台正逐步成为企业数字化转型的核心抓手。这类平台凭借简化开发流程、提升开发效率、降低研发成本的显著优势,已成为众多企业数字化建设的优先选择。本文将聚焦国内主流低代码开发平台,为读者详细…

作者头像 李华
网站建设 2026/4/18 6:28:00

Docker network配置PyTorch容器通信

Docker网络配置PyTorch容器通信:构建高效分布式训练环境 在现代深度学习工程实践中,单机单卡的训练方式早已无法满足大模型、大数据场景下的计算需求。随着Transformer架构和百亿参数模型成为常态,分布式训练已从“高级选项”演变为开发流程中…

作者头像 李华
网站建设 2026/4/18 3:24:45

Docker镜像分层原理:优化PyTorch环境构建速度

Docker镜像分层原理:优化PyTorch环境构建速度 在深度学习项目开发中,一个常见的痛点是——“为什么我的代码在本地跑得好好的,放到服务器上却报错?”更糟糕的是,新同事花了整整两天才把 PyTorch CUDA 的环境配好。这类…

作者头像 李华
网站建设 2026/4/18 4:28:17

Jupyter Notebook主题美化:打造个性化编码界面

Jupyter Notebook主题美化:打造个性化编码界面 在深度学习实验室的深夜,当GPU风扇低鸣、显存占用接近峰值时,你是否曾因刺眼的白色背景而不得不调暗显示器?又或者,在连续数小时调试PyTorch模型后,感到视觉疲…

作者头像 李华