前视声呐目标识别定位（三）-部署至机器人

本文主要是介绍前视声呐目标识别定位（三）-部署至机器人，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前视声呐目标识别定位（一）-基础知识

前视声呐目标识别定位（二）-目标识别定位模块  

前视声呐目标识别定位（三）-部署至机器人

前视声呐目标识别定位（四）-代码解析之启动识别模块

前视声呐目标识别定位（五）-代码解析之修改声呐参数

前视声呐目标识别定位（六）-代码解析之目标截图并传输

前视声呐目标识别定位（七）-代码解析之录制数据包

前视声呐目标识别定位（八）-代码解析之各模块通信

前视声呐目标识别定位（九）-声呐驱动

        开发了多波束前视声呐目标识别定位模块后，自然期待能将声呐部署至AUV，实现AUV对目标的抵近观测。原本规划着定位模块不仅能将目标定位信息提供给AUV进行辅助导航，还能借助水声通信模块在水面实现在水面开关声呐及调节声呐参数，开关目标识别模块，传输目标图像向观测者展示，录制目标数据包以进行模型训练等。在先前的文章已经介绍了，前视声呐目标定位只能提供目标距离及水平开角信息，而缺少垂直开角的信息，所以使用前视声呐定位是无法得到目标物具体坐标信息的，只能起辅助作用。

      先前的文章已经介绍了声呐目标识别及定位模块，在部署过程中有许多问题，比较关键的有三个。首先是目标识别模块需要GPU算力板，算力板尺寸必须满足AUV布局的需求限制，同时要考虑散热的问题；再者声呐的驱动及目标识别模块都是在ubuntu下使用ROS/ROS2进行开发，而AUV的导航模块是性能普通的工控机，还是特制的系统，使用水声通信模块必须借助工控机做中继，只能考虑其它通信方式；最后水声通信的带宽非常低，是比较难满足图片传输的条件的。

      虽然接到任务时时间紧需求多任务重，鼓捣了一段时间还是开发出了一个小小的demo。不过开发完后整个项目都没有了，所以也没有部署至AUV进行下水测试，最终只能算是自娱自乐了。最近整理资料时在角落里发现了这些东西，虽然我也觉得整个框架粗糙且暴力，不尽如人意，但想着水下圈子这么小，资料这么少，把这个demo开源也许能为一些水下爱好者的研究开发提供一条不同的思路吧，同时也算是把这些工作做一个归档，日后可以查阅。

      项目github地址：GitHub - cabinx/yolov5_humble_fls_tcp: yolov5_humble_fls with tcp/ip transmission

      接下来处理上文提及的三个问题。首先综合考虑尺寸和算力后选择了NVIDIA XAVIER开发板，在密闭的舱段内散热的问题倒是没有啥好办法。再者XAVIER板和AUV的工控机之间通过TCP/IP通信，约定好协议就好。最后关于目标图片，只截取目标部分的图片，然后压缩编码传输，以满足水声通信的限制。

      整个软件的框架如下图。

      在XAVIER板上center_server起一个处理中心的作用。其接收AUV工控机下发的指令信息，并转发给相应各个模块。同时接收各个模块的数据，封装后发送给AUV工控机。yolov5_humble_fls是目标识别模块，和之前的识别模块相比主要添加了TCP通信模块和截图封装传输模块。sonar_node是声呐驱动模块，当时选择的是Oculus m750d这款声呐。control center是指令转换模块，将auv下发的指令解包转换为shell指令以执行相应任务，非常粗暴，并不是非常推荐，只是当时简单地想着怎么简单怎么来。

      在工控机上auv_server也起信息中转的作用，接收水面指令转发给XAVIER板，同时接收XAVIER板数据转发给水面，但是需要根据协议解包目标数据以辅助导航。还有一个client test模块，是我用来模拟水面发送指令的测试模块。

      水声通信模块我没接触在此就不讨论了，但只要知道协议无非是在auv server上再添加相应的编解码。

      框架原先我是在ROS Neotic下写的，测试时Oculus 750d声呐通过网线和XAVIER板连接，然后用我的台式机模拟AUV的工控机，直接用一根网线连接，测试基本实现了各个功能。现在我用ROS2 humble大致重新整理了一遍，测试就只在我的台式机测试了，台式机既模拟XAVIER板，又模拟AUV工控机。此外我手头上已经没有声呐进行测试了，所以声呐驱动模块我就没有在ROS2重新整理，以后我会将之前写的ROS版本的上传至github，该版本是测试过是能正常接收发布声呐数据的。

      目前只能使用离线数据包进行测试，将声呐数据包下载至bag文件夹下，启动auv_server.py，center_sever.py，control_center.py。然后通过client_test.py脚本进行测试。后续我会通过几个例子介绍整个框架的信息流。

python3 client_test.py 1 1      #启动识别模块
python3 client_test.py 5 1      #播放离线数据包
python3 client_test.py 7 1      #对识别到的目标截图传输
python3 client_test.py 8 1      #开始录制数据包
python3 client_test.py 9 1      #结束录制数据包
python3 client_test.py 6 1      #结束播放离线数据包
python3 client_test.py 2 1      #结束识别模块python3 client_test.py 3 1      #启动声呐模块
python3 client_test.py 4 1      #关闭声呐模块python3 client_test.py 11 1/2   #切换声呐高低频，1为低频，2为高频
python3 client_test.py 12 100   #设定声呐gamma correction值为100
python3 client_test.py 13 20    #设定声呐量程为20m
python3 client_test.py 14 50    #设定增益为50
python3 client_test.py 15 1500  #设定声速为1500
python3 client_test.py 16 25    #设定盐度为25

        当时还想过实际应用中把这些指令做个图形界面的话将会方便不少，现在暂时不需要了。

        当初ROS1版本时测试时，台式机及XAVIER板的系统均为Ubuntu20.04，ROS版本为Neotic；ROS2版本测试时，台式机版本为Ubuntu22.04，ROS版本为Humble。

       ROS1 Neotic版本测试视频：

         整理后ROS2 Humble版本测试视频：

这篇关于前视声呐目标识别定位（三）-部署至机器人的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---