### 大疆激光雷达 Livox Avia用户手册关键知识点总结 #### 一、产品概述 - **简介**：Livox Avia是一款由大疆推出的固态激光雷达，它以其远量程、高精度、宽视角、轻巧体积和高可靠性而闻名。这款设备非常适合应用于测绘、车联网（Vehicle-to-Everything，简称V2X）、机器人等领域。 - **远量程特点**：相比于Livox Horizon，Avia在低反射率物体（如钢筋、混凝土、岩石、泥土等）的探测距离上有了显著提升，提高了大约70%的距离。 - **轻量化设计**：整机重量仅为498克，使得其特别适用于无人机测绘以及小型机器人应用场景。 - **三回波模式**：为了更好地适应林业测绘的需求，Livox Avia的固件支持最多三个回波。 - **可切换扫描模式**： - **非重复扫描模式**：该模式主要用于提高静态扫描效果以及在飞行测绘过程中对于竖直面的扫描效果。 - **重复扫描模式**：这种模式则有助于提高点云数据的整体密度均匀性。 - **内置IMU模块**：Avia内部集成了一款型号为BMI088的惯性测量单元(IMU)，其数据推送频率达到了200Hz。 - **配套软件**： - **Livox Viewer**：这是一款可以实时显示、录制、回放、解析三维点云数据的操作软件，同时还支持产品的设置和外部参数调整等高级功能。Livox Viewer界面简洁直观，易于用户上手使用。 - **开源Livox SDK**：Livox提供了开源的SDK供开发者进行二次开发，支持Windows/Linux/Mac OS/ROS等多种操作系统环境。这极大地方便了高级算法的开发，提高了开发效率。 #### 二、产品特性详解 - **扫描技术**：Livox Avia采用了自主研发的扫描技术，能够提供两种不同的扫描点云模式——非重复扫描和重复扫描。这两种模式可以根据用户的实际需求灵活选择。 - **非重复扫描点云模式**： - 在不同的积分时间下，Avia的非重复扫描模式均能保证中心区域点云分布较为密集，而边缘区域较为稀疏的特点。 - 0.1秒积分时间下的扫描图案，在FOV中心半径为10°的圆形区域内，点云密度可以媲美常见的32线机械旋转式激光雷达。 - 0.2秒积分时间下的扫描图案，在同一区域内，点云密度相当于常见的64线机械旋转式激光雷达，而在其他区域则相当于32线机械旋转式激光雷达。 - 随着积分时间的增加，整个视场内的点云密度以及点云覆盖率都会逐步提高，能够探测到更多的细节。 - **重复扫描模式**：这种模式能够确保整个视场范围内点云密度更加均匀，适合需要高密度点云的应用场景。 - **最大探测距离**：当环境温度为25℃，太阳光照度为100klx，且目标物反射率为大于80%（例如水泥地或路面的反射率为15~30%，白色石膏墙的反射率为90%-99%）的情况下，Avia的最大探测距离可达320米。 - **注意事项**：在使用之前，请务必移除Avia窗口上的保护膜，以避免影响其性能表现。 #### 三、硬件连接与配置 - **接口定义**： - **M12航空插头**：用于连接电源和同步信号线。 - **电源线及同步信号线接口**：用于接收外部电源供应及同步信号。 - **以太网接口**：用于数据传输。 - **安装指南**： - **有效视场角（FOV）范围**：Avia的有效视场角为竖直方向77.2°，水平方向70.4°。 - **安装注意事项**：确保安装位置稳固，并且不影响Avia的正常工作视野。 - **安装尺寸**：用户手册中提供了详细的安装尺寸图表，方便用户根据实际情况进行安装设计。 #### 四、软件工具介绍 - **Livox Viewer**：这是一款强大的三维点云数据处理软件，支持实时显示、录制、回放等功能。同时，用户还可以通过Livox Viewer对Avia进行各种设置和参数调整。 - **开源Livox SDK**：提供了丰富的API和示例代码，支持多种操作系统环境，极大地简化了二次开发过程。 #### 五、维护与支持 - **存储与运输**：用户应遵循手册中的指导，正确存储和运输Avia，以确保其长期稳定运行。 - **保养**：定期清洁设备并检查是否有损坏，按照用户手册的建议进行维护。 - **售后服务**：手册中还包含了售后保修信息，确保用户在遇到问题时能够得到及时有效的支持。 #### 六、参考资料 - **规格参数**：用户手册提供了详细的规格参数表，包括但不限于探测距离、点云密度、扫描模式等关键指标。 - **附录**：手册的附录部分包含了一些额外的技术资料和参考资料，对于深入理解和应用Livox Avia非常有帮助。 通过以上对Livox Avia用户手册关键知识点的详细解读，我们可以看到这款激光雷达不仅具备先进的技术特性，而且在应用领域有着广泛的适用性。无论是测绘、车联网还是机器人技术，Livox Avia都能够提供可靠且高效的数据支持。

部署mid360+Livox-SDK2+Livox-ros-driver2+FAST-LIO2教程是一篇详细介绍如何将mid360, Livox SDK 2, Livox ROS driver 2以及FAST LIO 2这些高精度导航和定位系统的软件组件进行集成的指南。该教程对于需要在机器人、自动驾驶汽车、无人机等设备上集成这些先进系统的研究人员和工程师来说极具价值。 mid360作为一款先进的传感器系统，能够提供三维激光扫描功能，广泛应用于移动测量和空间数据采集领域。为了使mid360在机器人系统中正常工作，需要安装Livox SDK 2。Livox SDK 2是专门针对Livox LiDAR传感器的软件开发包，它包含了必要的驱动程序和接口，确保mid360能够与计算机系统进行有效通信。 紧接着，要使机器人能够理解并处理从Livox传感器获取的数据，必须安装Livox-ros-driver2。这是一个为ROS（Robot Operating System）环境设计的驱动程序，它能够将LiDAR数据转化为ROS系统可以识别和处理的格式。ROS是一个用于机器人软件开发的灵活框架，它提供了大量的工具和库函数，被广泛用于学术和工业界的机器人项目中。 FAST-LIO2是集成了LiDAR-Inertial Odometry算法的系统，它能够结合来自LiDAR的点云数据和来自惯性测量单元（IMU）的惯性数据，实现对机器人或无人机精确、实时的定位和导航。通过使用FAST-LIO2，可以增强机器人的自主导航能力，使其在各种复杂的环境中都能保持高精度的运动状态估计。 整体而言，这篇教程不仅仅是一步一步的安装指南，更是一个系统集成的过程，涉及到软件的配置、调试以及优化，最终实现一个完整的机器人导航和定位解决方案。对于想要深入了解和应用这些技术的读者来说，这篇文章提供了一个宝贵的参考资源。需要注意的是，集成这些系统需要一定的计算机编程知识和对ROS环境的理解，因此建议具备相关背景的读者进行尝试。

使用Livox Mid-360雷达及其内置IMU实现Cartographer建图与定位。 压缩文件内包含建图和定位对应的launch文件和lua配置文件。

注意：不支持Ubuntu 16.04及更低版本 FAST-LIO 2.0 将于2021年3月底发射。 新的功能： 更快更好 更高的频率； 更多的LiDAR支持（Horizo​​n和Ouster 64）； 支持基于ARM的嵌入式平台。 FAST-LIO FAST-LIO （快速LiDAR惯性里程计）是一种计算效率高且功能强大的LiDAR惯性里程计套件。它使用紧密耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起，从而在发生退化的快速运动，嘈杂或混乱的环境中实现强大的导航能力。我们的软件包解决了许多关键问题： 快速迭代的卡尔曼滤波器，用于里程计优化； 在最稳定的环境下自动初始化； 并行KD-Tree搜索以减少计算量； 强大的特征提取； 开发者 ：激光贴图和姿势优化； ：特征提取。 要了解更多详细信息，请参阅我们的相关文章：） 我们的相关论文：现在可以在arxiv上获得我

livox SDK关于雷达的SDK

大疆的livox的激光雷达的原理文献，重网上下载，分享出去！

C#调用livox 激光探测测距仪的dll

Livox Viewer 0.11.0.zip请勿下载

1引言 Livox SDK是为所有Livox产品设计的软件开发套件。 它基于Livox SDK通信协议基于C / C ++开发，并提供易于使用的C样式API。 使用Livox SDK，用户可以快速连接到Livox产品并接收点云数据。 Livox SDK包含Livox SDK通信协议，Livox SDK核心，Livox SDK API，Linux示例和ROS演示。 先决条件 x86和ARM的Ubuntu 14.04 / Ubuntu 16.04 / Ubuntu 18.04（Nvidia TX2） Windows 7/10，Visual Studio 2015更新3/2017/2019 C ++ 11编译器 2 Livox SDK通信协议 Livox SDK通信协议向所有用户开放。 它是用户程序和Livox产品之间的通信协议。 该协议由控制命令和数据格式组成。 有关详细信息，请参阅。

livox_camera_calib livox_camera_calib是无目标环境中高分辨率LiDAR（例如Livox）和相机之间的可靠，高精度的外部校准工具。 我们的算法可以在室内和室外场景中运行，并且仅需要场景中的边缘信息。 如果场景合适，我们可以达到类似于或什至超越基于目标的方法的像素级精度。 室外校准方案的示例。 我们使用校准的外部图像对点云进行着色，并与实际图像进行比较。 A和C是点云的局部放大视图。 B和D是相机图像中与A和C中的点云相对应的部分。 源代码将很快发布。 相关论文 可在arxiv上找到的相关论文： 相关影片 相关视频： :