【2023电赛】对于E题(运动目标控制)红色激光的简要回顾(四千字逐题分析,逐题相关代码)

本文主要是介绍【2023电赛】对于E题(运动目标控制)红色激光的简要回顾(四千字逐题分析,逐题相关代码),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!

       

不知不觉四天三夜已经过去了

        虽然成绩不怎么样,但我觉得还是要留一些有用的文字给像我们一样   “没有人带路、没有老师指导、甚至是三个大一的团队”   ,毕竟我们也是从头摸过来的,吃过不少亏。对于我们来说,互联网就是我们的老师,所以比赛结束后,思来想去我也才打算写这个文章来回顾一下比赛内容,也算是一种回馈了。同时也希望和我们一样“三无”的同学,看完之后能有点收获。

        

        首先是看题目,我们在看到题目的时候也是觉得非常简单,觉得两天就能肝的差不多,然后搓了一天,和其他团队一样,死在了舵机精度上。解决方案如下:

                     1、购买高精度舵机(然而我们在哈尔滨,压根做不到开赛前完成到货+调试)

                     2、用差不多的舵机+代码硬上(我们最后是选择了这个方案)

                     3、拆电机改齿轮缩短有效范围来提高精度(这个其实是赛后才知道的)

        因此最后我们还是选择了第二点,所以我们的代码也是基于你的舵机一般(但不至于sg90那么烂)用openmv控制的。

        对于第一问和第二问,我不清楚如果选择树莓派或者jetson之类的高性能开发版+高清摄像头能不能有效识别铅笔印,我们手中视觉能用的目前只有openmv。我这边提供openmv的代码,首先可以用python的random函数还有python的pyb库当中的舵机驱动功能来提供一个随机的角度来完成第一项的初始位置到复位的过程。

import pyb,time #需要用的模块
pan = pyb.Servo(1)
tilt = pyb.Servo(2)   #定义两个电机
#随机角度函数
def random_angle():pan.angle(random.randint(-90,90),1000)tilt.angle(random.randint(-90,90),1000)

         我们要知道,比赛前是会有20分钟的调试的(不让带电子设备,只能人工操作,也就是不能改代码),因此我们一二问直接写死!

        我们设置按钮让他到左上角和中心,比赛前距离定死1米,然后比赛场地手动控制设备朝向对准左上角和中心 就可以了!!!我们放出其中回中的按钮,左上同理

from pyb import Pin
pin1 = Pin('P1', Pin.IN, Pin.PULL_UP) #p1作为复位按钮
def servoReset():spe_servoCtrl(-28,-21,1000) #写死!!!!!!!time.sleep(2)
##按键控制
while(True):pin1复位 = pin1.value() #读取按钮是否被触发if (pin1复位 == 0):  #按钮控制!servoReset()'''
注意: 建议给按钮的杜邦线之间串联一个小电阻(几十欧几百欧都行),再串联一个瓷片电容,防止损坏单片机引脚和防止物理抖动引起多次触发!!!
'''

         对于三四题,这里就要用到视觉相关的了,首先我们要确定阈值才能够识别颜色,我们要确定目前要识别的主要是黑色的矩形靶纸和红色的激光,阈值需要你们利用openmv自带的阈值分析自行设置。同时你也需要通过简单的计算获得红色激光的中心,同时因为openmv最多也只能带的动QVGA,为了减少只标记四个矩形左上角所带来的风险,我们也要同时求出边框各个角两条外侧和内测中心的像素点位置,这里我们通过简单易懂的代码来给大家解释:

#全局变量
矩形左上角 = [0,0]
矩形左下角 = [0,0]
矩形右上角 = [0,0]
矩形右下角 = [0,0]
激光 = [0,0]
边缘优化是否完成 = 'No'
'''
开局进行25次扫描,因为题目二三题有说,启动的都是“运动目标控制系统”
我们只需要根据 “矩形优化是否完成” 就能知道是做第二题还是第三题了
缺点是二三题之间需要给机器重新上电来扫描是否有标靶
'''
while(wt < 25):print('进入检测方框模式')img = sensor.snapshot()img.lens_corr(1.8) #消除鱼眼畸变,如果没有鱼眼畸变的可以去掉for r in img.find_rects(threshold = 10000):#这里需要给矩形大小进行限制,否则会识别出各种怪东西,需要灵活调整if r.w() > 70 and r.h() > 40 and r.w()<100 and r.h()<70: # 在屏幕上框出矩形img.draw_rectangle(r.rect(), color = (255, 0, 0), scale = 4)# 获取矩形角点位置矩形左上角 = [r.x() , r.y()]矩形左下角 = [r.x() , r.y()+r.h()]矩形右上角 = [r.x()+r.w(), r.y()]  矩形右下角 = [r.x()+r.w(),r.y()+r.h()]if(矩形左上角[0]!=0 and 矩形左上角[1]!=0):wt = 25better()边缘优化是否完成 = 'Yes'print('边缘优化 成功')got = 0else:wt = wt+1#实时
while(True):clock.tick()img = sensor.snapshot()img.lens_corr(1.8)img.median(1, percentile=0.85) #滤波#实时获得激光坐标for b in img.find_blobs(red_td,pixels_threshold=2, area_threshold=2, merge=True,invert = 0,roi = roi):激光 = [(b.x()+b.w()+b.x())/2, (b.y()+b.h()+b.y())/2] #简单的像素块取中心

 标靶四角优化如下, 原理非常简单:


#全局化变量
矩形左上角优化=[0,0]
矩形左下角优化=[0,0]
矩形右上角优化=[0,0]
矩形右下角优化=[0,0]#处理矩形四个角的函数
def better():for blk in img.find_blobs(blk_td,pixels_threshold=2, area_threshold=2, merge=True,invert = 0,roi = (矩形左上角[0]-7,矩形左上角[1]-7,14,14)):矩形左上角优化 = [(blk.x()+blk.w()+blk.x())/2, (blk.y()+blk.h()+blk.y())/2]for blk in img.find_blobs(blk_td,pixels_threshold=2, area_threshold=2, merge=True,invert = 0,roi = (矩形右上角[0]-7,矩形右上角[1]-7,14,14)):矩形右上角优化 = [(blk.x()+blk.w()+blk.x())/2, (blk.y()+blk.h()+blk.y())/2]for blk in img.find_blobs(blk_td,pixels_threshold=2, area_threshold=2, merge=True,invert = 0,roi = (矩形右下角[0]-7,矩形右下角[1]-7,14,14)):矩形右下角优化 = [(blk.x()+blk.w()+blk.x())/2, (blk.y()+blk.h()+blk.y())/2]for blk in img.find_blobs(blk_td,pixels_threshold=2, area_threshold=2, merge=True,invert = 0,roi = (矩形左下角[0]-7,矩形左下角[1]-7,14,14)):矩形左下角优化 = [(blk.x()+blk.w()+blk.x())/2, (blk.y()+blk.h()+blk.y())/2]

        其实他的原理易懂,我们不需要代码,请看图:


 然后就是激动人心的巡线了,我们首先需要导入pid库,用的是openmv官方例程的 ---> pid库下载

        巡线代码如下(部分,因为我们舵机精度不够,四个角的pid都是单独来回设置的,全发出来会很长)

pan_pid = PID(p=0.05, i=0.007,d = 0.001) #设置底盘和上部分别的pid,需要不断调试
tilt_pid = PID(p=0.03, i=0.006,d = 0.003) 
pan_error = 激光[0]-(矩形左上角优化[0])
tilt_error = 激光[1]-(矩形左上角优化[1])
pan_output=pan_pid.get_pid(pan_error,1)
tilt_output=tilt_pid.get_pid(tilt_error,1)
pan_output = limt(pan_output,0.5)
tilt_output = limt(tilt_output,0.5)
panangle=panangle+pan_output
tiltangle=tiltangle-tilt_output#根据红点状况进行调整
if(abs(pan_error)>2):pan.angle(panangle,5)time.sleep_ms(5)
if(abs(tilt_error)>2):tilt.angle(tiltangle,5)time.sleep_ms(5)
if(当前状态 == 0 and abs(pan_error)<=2 and abs(tilt_error)<=2 ):time.sleep(1)got = 1print('已到达左上角 → 右上角')

最后也希望大家有所收获吧,我也是编程小白,代码也不是很守规范,但也希望许多和我们一样的”三无“团队能吸收一下经验吧哈哈,算是反哺互联网了,希望能帮到您。

这篇关于【2023电赛】对于E题(运动目标控制)红色激光的简要回顾(四千字逐题分析,逐题相关代码)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!



http://www.chinasem.cn/article/835426

相关文章

Spring Security 基于表达式的权限控制

前言 spring security 3.0已经可以使用spring el表达式来控制授权,允许在表达式中使用复杂的布尔逻辑来控制访问的权限。 常见的表达式 Spring Security可用表达式对象的基类是SecurityExpressionRoot。 表达式描述hasRole([role])用户拥有制定的角色时返回true (Spring security默认会带有ROLE_前缀),去

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

sqlite3 相关知识

WAL 模式 VS 回滚模式 特性WAL 模式回滚模式(Rollback Journal)定义使用写前日志来记录变更。使用回滚日志来记录事务的所有修改。特点更高的并发性和性能;支持多读者和单写者。支持安全的事务回滚,但并发性较低。性能写入性能更好,尤其是读多写少的场景。写操作会造成较大的性能开销,尤其是在事务开始时。写入流程数据首先写入 WAL 文件,然后才从 WAL 刷新到主数据库。数据在开始

活用c4d官方开发文档查询代码

当你问AI助手比如豆包,如何用python禁止掉xpresso标签时候,它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

计算机毕业设计 大学志愿填报系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

🍊作者:计算机编程-吉哥 🍊简介:专业从事JavaWeb程序开发,微信小程序开发,定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事,生活就是快乐的。 🍊心愿:点赞 👍 收藏 ⭐评论 📝 🍅 文末获取源码联系 👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~Java毕业设计项目~热门选题推荐《1000套》 目录 1.技术选型 2.开发工具 3.功能

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用,例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具,该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明,MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能,MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57