干货分享
——
LUOMA
MORING NEWS
KNOWLEDGE SHARE
萝马干饭
01 设备介绍：高负荷环境适用
<
02 视觉方案：精准目标检测与跟踪
<
03 Q&A：问答回顾
<
引言
近日，萝马车圈邀请了来自电子科技大学的ROBOCON团队，呈献了一场充满洞见的技术分享会。作为ROBOCON竞赛的三连冠，电子科技大学团队展示了他们在赛事中视觉系统设计的优势。
Equipment Introduction
雷神MIX迷你主机
<
重量： 900g
处理器： i9-13900H 14核心20线程
显卡： RTX4060 8G 独显
内存： 16G
SVG图集
▼
觅道Mid-360雷达
<
人非重复扫描3D雷达
STL-19P激光2D雷达
<
重量： 42g
测量频率： 4500次/s
扫描频率： 10hz
角分辨率： 0.8°
精度： 厘米级
AND
Visual Scheme
代码框架
系统：Ubuntu20.04
框架：ROS Noetic
- 结合雷达SLAM和相机程序
- 自定义数据格式
- 通信/调试便捷
神经网络框架
pytorch Yolov8分割+追踪
onnx Yolo识别
- 推理速度快
- onnx易更改序列化网络结构
- 能跑
定位方案
视觉：Mid-360 + Point-LIO
电控：dt35
- 鲁棒性高
- 里程计频率高
- 不用预先建图
- 里程计抖动2-3cm
- 重复定位精度差值2-3cm
- 初始位置影响大
- 重定位效果差
- 未知原因导致slam飘
—暂存区球识别方案—
Kinect相机
- 识别暂存区所有球
- 决策感知
- 机械臂初定位
USB相机
- 机械臂精确定位
—谷仓识别方案—
Zed相机
- 识别谷仓
- 识别谷仓中球
- 机械臂初定位
2D雷达
- 满仓检测
- 避让对方车
Review
Q
为何采用雷达定位？
A
在决策过程中，为了实现更为流畅的动作和抓取球体时避免干扰及提升定位精度，我们需要结合雷达系统获得世界的绝对坐标信息。这样做不仅可以保证当前任务中的球体定位准确性，还能提前预测并决定下一次应抓取的球体位置。
Q
如何实现在图像中精准地追踪运动物体？
A
在机械臂接近球体时，由于球占据较大图像区域，通过计算IoU（Intersection over Union）并结合简单的滤波操作，我们可以快速找到球在连续帧之间的关联性，从而实现了高精度的球体追踪。
Q
在解决USB相机性能瓶颈时采取了何种策略？
A
为了避免YOLO自带的BoT-SORT算法因内存和显存搬运导致的时间开销过大，我们自行编写了一套追踪系统，采用线程池对USB相机进行加速操作，提高了追踪效率。
在萝马车圈，我们相信知识的力量，技术的深度，以及分享的温度。如果您想获取本次分享的完整资料，或是进行更多的互动和讨论，欢迎扫码关注，后台留言您的需求，我们将第一时间为您送上所需资源。
同时，我们诚挚地邀请您成为这个知识共享社区的一部分。无论您是技术大咖还是行业新手，只要您怀揣着对知识的热爱和对创新的追求，我们都欢迎您的投稿。让我们一起传递尊重、创新、共享的理念，共同推动技术的进步和教育的发展。
感谢您的关注和支持，萝马车圈期待与您携手前行，在科技创新的道路上不断探索和前行。
想要了解一手资讯
欢迎扫码关注留言
