免费步态
一种腿部机器人通用控制架构
免费步态是一种用于对腿式机器人的多功能，强大和任务导向控制的软件框架。自由步态界面定义了一个全身抽象层，以适应各种任务空间控制命令，例如末端执行器，关节和基础运动。使用反馈全身控制器跟踪定义的运动任务，以确保即使在滑动和外部干扰下也能进行准确和稳健的运动执行。该框架的应用包括机器人的直观远程操作，行为的高效脚本以及运动和脚步计划者的完全自主操作。
源代码是根据BSD 3条款许可证发布的。
作者：PéterFankhauser 维护者：PéterFankhauser，pfankhauser@ethz.ch 作者：Samuel Bachmann，Dario Bellicoso，Thomas Bi，Remo Diethelm，Christian Gehring 所属机构：苏黎世苏黎世机器人系统实验室
https://id.atlassian.com/login?application=bitbucket&continue=https://bitbucket.org/account/signin/?redirectCount=1&next=%2Fsite%2Foauth2%2Fauthorize%3Fclient_id%3DUL6TyJb7kC82QaELG2%26response_type%3Dcode
出版物
如果您在学术上使用这项工作，请引用以下出版物：
P.Fankhauser，D. Bellicoso，C.Gehring，R.Dubé，A.Gawel，M.Hutter， “Free Gait-An Architecture for the Versatile Control of Legged Robots”，IEEE-RAS International Conference on Humanoid Robots，2016 （PDF）
单位测试
代码语言：javascript复制catkin build free_gait_core --no-deps --verbose --catkin-make-args run_tests概观
此视频显示了免费步态的一些应用程序。
运动基于（可能多个）腿运动和每个命令的基运动（步骤）的组合。 | 命令结构允许以各种方式控制有腿的机器人。 | 运动目标通过Free Gait API命令给全身运动控制器。 |
用法
本视频概述了免费步态中提供的工具。
免费步态
Free Gait操作是使用Free Gait API（用于ROS）定义运动的库和脚本。对于ROS，这些操作可以使用ROS客户端库中的任何语言编写，使用free_gait_msgs中的消息和操作定义。对于C ，免费步态提供了free_gait_core库来处理运动定义和free_gait_ros来连接ROS。要使用Python，请使用free_gait_python库。对于简单的运动定义，自由步态支持以YAML格式定义的动作。有关使用YAML操作的更多信息，请参阅YAML脚本接口。
自由步态命令表示为腿部（在关节或末端效应器笛卡尔空间）和基础运动的组合，定义了位置，速度和/或力/扭矩目标或轨迹。
目标 | 弹道 | 自动 | |
|---|---|---|---|
腿部运动在关节空间 | JointTarget | JointTrajectory | LegMode |
在笛卡尔空间的腿运动 | EndEffectorTarget | EndEffectorTrajectory | 脚步 |
基础运动 | BaseTarget | BaseTrajectory | BaseAuto |
免费步态操作可以手动启动，也可以在free_gait_action_loader的帮助下启动。
免费步态装载机
该free_gait_action_loader允许通过发动行动ROS服务或ROS行动。目前，行动装载机支持YAML运动的定义，Python的脚本，并开始ROS启动文件为C 和其他库。
运行free_gait_action_loader与
代码语言：javascript复制rosrun free_gait_action_loader action_loader.py该free_gait_action_loader管理措施，并确保只有一个动作是在运行了。要向free_gait_action_loader注册一个操作，必须将操作加载为ROS插件。
RQT免费步态动作
所述rqt_free_gait_action包提供一个RQT用户接口向 free_gait_action_loader。该界面显示集合中组织的操作，并允许预览和发送操作。此外，集合可以作为操作的顺序运行，并且通过右键单击，可以将集合选为收藏夹。收藏夹显示为顶部的按钮进行快速访问。
RQT免费步态监视器
一旦Free Gait操作服务器执行操作，rqt_free_gait_monitor将显示执行进度，并允许暂停和停止主动操作。
免费Gait RViz插件
可以使用free_gait_rviz_plugin预览动作。它采用机器人的当前状态，并根据定义的动作来可视化运动。这个RViz插件允许通过时间擦洗，可视化立足点，轨迹，支持多边形等。
YAML脚本接口
对于简单的运动序列，自由步态可以被定义为一系列的YAML定义。
例如，该动作提升机器人的右前肢：
代码语言：javascript复制adapt_coordinates:
- transform:
source_frame: footprint
target_frame: odom
steps:
- step:
- base_auto:
- step:
- base_auto:
- end_effector_target:
name: RF_LEG
ignore_contact: true
target_position:
frame: footprint
position: [0.39, -0.22, 0.20]该adapt_coordinates命令将定义的动作转换source_frame为target_frame。
常问问题
没有找到动作
如果没有找到/加载自由步态操作，则此服务调用将返回为空：
代码语言：javascript复制rosservice call /free_gait_action_loader/list_actions "collection_id: ''"在这种情况下，请尝试使用以下命令初始化rosdep：
代码语言：javascript复制sudo rosdep init
rosdep update用于ROS的YOLO v2：用于ROS的实时对象检测
概观
这是一个为相机图像中的物体检测而开发的ROS包。你只看一次（YOLO）是一个最先进的实时对象检测系统。在以下ROS包中，您可以在GPU和CPU上使用YOLO。卷积神经网络的预先训练的模型能够检测包括从VOC和COCO（例如飞机，自行车，鸟，船，瓶，公共汽车，汽车，猫，椅子，牛，餐桌，狗，马，摩托车，人，盆栽，羊，沙发，火车和电视监视器），或者您也可以使用自己的检测对象创建网络。有关YOLO，Darknet，可用的培训数据和培训YOLO的更多信息，请参阅以下链接：YOLO：实时对象检测。代码的一部分灵感来自于pgigioli的工作。
YOLO软件包已经在ROS Kinetic和Ubuntu 16.04下进行了测试。这是研究代码，期望它经常变化，任何适合特定用途的适用性都被放弃。
作者：Marko Bjelonic，marko.bjelonic@mavt.ethz.ch
隶属：机器人系统实验室，苏黎世苏黎世
引用
本软件中使用的YOLO方法在文中描述：您只看一次：统一的实时对象检测。
安装
依赖
该软件建立在机器人操作系统（ROS）上，需要首先安装。另外，ROS的YOLO依赖于以下软件：
- OpenCV（计算机视觉库），
- boost（c 库），
建造
CPU上的Darknet很快（英特尔酷睿i7-6700HQ CPU在2.60GHz×8左右大约1.5秒），但GPU的速度就快了500倍！你必须拥有Nvidia GPU，你必须安装CUDA。CMakeLists.txt文件会自动检测是否安装了CUDA。CUDA是由Nvidia创建的并行计算平台和应用程序编程接口（API）模型。如果您的系统上没有CUDA，则构建过程将切换到YOLO的CPU版本。如果您正在使用CUDA进行编译，则可能会收到以下生成错误：
代码语言：javascript复制nvcc fatal : Unsupported gpu architecture 'compute_61'.这意味着您需要检查GPU的计算能力（版本）。您可以在CUDA中找到支持的GPU列表：CUDA - WIKIPEDIA。只需找到GPU的计算能力，并将其添加到darknet_ros / CMakeLists.txt中。只需添加类似的行
代码语言：javascript复制-O3 -gencode arch=compute_62,code=sm_62为了安装darknet_ros，将这个存储库中的最新版本克隆到您的catkin工作区，并使用ROS编译软件包。
代码语言：javascript复制cd catkin_workspace/src
git clone --recursive git@github.com:leggedrobotics/darknet_ros.git
cd ../为了最大限度地提高性能，请确保在版本模式下构建。您可以通过设置指定构建类型
代码语言：javascript复制catkin_make -DCMAKE_BUILD_TYPE=Release或使用Catkin命令行工具
代码语言：javascript复制catkin build darknet_ros -DCMAKE_BUILD_TYPE=Release下载权重
yolo-voc.weights和tiny-yolo-voceweights将自动下载到CMakeLists.txt文件中。如果您需要再次下载，请进入权重文件夹，并从VOC数据集中下载两个预先训练的权重：
代码语言：javascript复制cd catkin_workspace/src/darknet_ros/darknet_ros/yolo_network_config/weights/
wget http://pjreddie.com/media/files/yolo-voc.weights
wget http://pjreddie.com/media/files/tiny-yolo-voc.weights要使用COCO检测对象，可以下载以下权重：
代码语言：javascript复制cd catkin_workspace/src/darknet_ros/darknet_ros/yolo_network_config/weights/
wget http://pjreddie.com/media/files/yolo.weights
wget http://pjreddie.com/media/files/tiny-yolo.weights要使用YOLO9000检测对象，可以下载以下权重：
代码语言：javascript复制cd catkin_workspace/src/darknet_ros/darknet_ros/yolo_network_config/weights/
wget http://pjreddie.com/media/files/yolo9000.weights使用您自己的检测对象
为了使用您自己的检测对象，您需要在目录中提供您的权重和cfg文件：
代码语言：javascript复制catkin_workspace/src/darknet_ros/darknet_ros/yolo_network_config/weights/
catkin_workspace/src/darknet_ros/darknet_ros/yolo_network_config/cfg/另外，您需要为ROS创建配置文件，您可以在其中定义检测对象的名称。你需要把它包含在里面
代码语言：javascript复制catkin_workspace/src/darknet_ros/darknet_ros/config/然后在启动文件中，您必须指向新的配置文件：
代码语言：javascript复制<rosparam command="load" ns="darknet_ros" file="$(find darknet_ros)/config/your_config_file.yaml"/>单位测试
使用Catkin命令行工具运行单元测试
代码语言：javascript复制catkin build darknet_ros --no-deps --verbose --catkin-make-args run_tests基本用法
为了获得YOLO ROS：ROS的实时对象检测功能可以使您的机器人运行，您需要调整几个参数。这是最简单的，如果重复，并适应所有需要从darkned_ros包中更改的参数文件。这些具体是文件夹中的参数文件config和启动文件launch。
节点
节点：darknet_ros
这是主要的YOLO ROS：ROS节点的实时对象检测。它使用相机测量来检测帧中的预先学习的对象。
ROS相关参数
您可以更改其中的发布者，订阅者和操作的名称和其他参数darkned_ros/config/ros.yaml。
订阅主题
/camera_reading（[sensor_msgs /图像]） 相机测量。
发表主题
object_detector（[std_msgs :: INT8]） 如果检测到对象，则发布1，如果没有检测到对象，则发布0。bounding_boxes（[darknet_ros_msgs :: BoundingBoxes]） 发布一系列边框，以像素坐标给出边界框的位置和大小信息。detection_image（[sensor_msgs ::图像]） 发布包含边界框的检测图像的图像。
操作
camera_reading（[sensor_msgs ::图像]） 使用图像发送动作，结果是一个边框数组。
检测相关参数
您可以通过添加类似于的新配置文件来更改与检测相关的参数darkned_ros/config/yolo.yaml。
image_view/enable_opencv（布尔） 启用或禁用包括边界框在内的检测图像的打开cv视图。image_view/use_darknet（布尔） 通过设置为true或使用在darknet_ros中实现的on设置为false，使用原始darknet算法中的open cv图像视图。image_view/wait_key_delay（INT） 等待打开cv窗口的ms的按键延迟。yolo_model/config_file/name（串） 用于检测的网络的cfg文件的名称。代码在里面搜索这个名字darkned_ros/yolo_network_config/cfg/。yolo_model/weight_file/name（串） 用于检测的网络的权重文件的名称。代码在里面搜索这个名字darkned_ros/yolo_network_config/weights/。yolo_model/threshold/value（浮动） 检测算法的阈值。它定义在0和1之间。yolo_model/detection_classes/names（字符串数组） 检测cfg和weight文件内部使用的网络的名称darkned_ros/yolo_network_config/。
Darknet：C中的开源神经网络
Darknet是用C和CUDA编写的开源神经网络框架。它快速，易于安装，并支持CPU和GPU计算。您可以在GitHub上找到源代码，或者您可以在这里阅读更多关于Darknet可以执行的操作：
安装Darknet
Darknet易于安装和运行。这篇文章将引导您了解。
YOLO：实时对象检测
你只看一次（YOLO）是一个最先进的实时对象检测系统。
ImageNet分类
使用AlexNet和VGG-16等流行模式对图像进行分类。
恶梦
使用Darknet的黑魔法来召唤鬼魂，食尸鬼和野生恶魔。但你们要进入这里，要警惕，没有人在恶梦之地安全。
暗网中的RNN
反复神经网络对于时间序列数据和NLP都是愤怒的。了解如何在Darknet中使用它们！
DarkGo：进入Darknet
使用用Darknet训练的策略网络Play Go
小黑暗
图像分类很小。
在CIFAR-10上训练一个分类器
了解如何在黑暗中从头开始训练分类器。
硬件指南：GPU上的神经网络（2016-1-30更新）
我已经有很多人问我建议用什么硬件来训练视觉应用的神经网络。这里有一些我的想法。
