板块 | 内容 | 时长 | 备注 |
嘉宾分享 | 1. 数字识别的两种方法，SVM支持向量机（传统机器学习）的三种算法和多目标区分法、ANN人工神经网络及pnp算法、基于卡尔曼滤波的位置预测； 2. 能量机关识别主要难点：对叶片位置的预测、云台的高速响应、低射速下的弹道解算 3. 雷达：建立数据集、雷达投影、透视变换、飞镖识别；自动步兵：建立地图、相机选型、雷达选型、里程计。 | 60mins | |
自由提问 | Q：比赛现场会有时间建图吗，还是自己根据模型制作 A：利用热身赛的时间建模；环境分动态和静态，可以在热身赛中进行静态环境建模，然后用自己的动态算法进行路径规划。 | 20mins | |
Q：用神经网络做数字分类会不会速度跟不上啊 A：不会的；我们用的CPU处理器是i5，加上神经网络模型比较简单，运算量不大。 | |||
Q：svm手写识别的帧率怎么样？ A：可能会比神经网络还高，可以理解为一个简单的神经网络模型；但缺点是鲁棒性不够好，受光线影响大，对数据要求较高。 | |||
Q：预测那个部分，第一：如果机器人真实运动就已经不符合线性模型，比如旋转，依然将两帧之间视为线性系统，是否会产生累计误差，精度是否会严重受到影响。第二：先验信息如何很好的获得，即如何较好的建立机器人的运动模型，因为场上运动状态过于复杂，有平移，有旋转，有变速运动等等 A：1：只要帧率满足要求，是符合的，不会有累积误差；2在物理上求解，比如速度时间位移关系等。 | |||
Q：比赛场地有高有底，雷达站用透射变换会不会误差很大啊 A：会有误差，只能试过才知道。 | |||
Q：神经网络是自己制作的数据集吗？数字分类？ A：数字部分自己制作；雷达站的数据集在官方开源的基础上进行了改进。 | |||
Q：空气阻力的测量是怎么进行的啊？ A：多次尝试，物理计算；弹道解算不限于此方法，可以探索其他方法。 | |||
Q：卡尔曼滤波怎么调 A：首先了解算法原理，在简单的环境下先试验算法，逐渐结合到工程中。 | |||
Q：测距的时候除了pnp还有别的方法吗 A：单目测距是比较难的课题；可以更换成双目直接测距。 | |||
Q：哨兵的小陀螺识别有考虑吗 A：需要自己写算法研究。 | |||
Q：云台响应速度跟不上的话要考虑在视觉方面迎合吗 A：不要迎合，如果这么做会降低帧率；这部分有问题就去解决问题，不要逃避，最好是先解决云台的问题。 | |||
Q：自动步兵如果是每次都重新建立地图的话对算力要求会比较高 怎么保证高速运动状态下的建图以及规划路径可靠性呢 A：从数据处理上入手，单片机和每帧数据结合，可以减少影响；如果用多线雷达建图，选取具有强计算力的工控机；或者考虑使用两个上位机。 | |||
Q：用的什么硬件平台来计算 A：Intel nuc | |||
Q：视觉的设备 A：mindvision | |||
Q：做目标检测的时候，传统方法opencv和使用yolov5两种方法，楼主你更推荐那种呢 A：建议opencv，自己设计算法。 | |||
Q：雷达的摄像头用的是什么 A：和机器人相机同一款 | |||
Q：雷达的摄像头的焦距，视角是否能够达到透射变换的效果 A：用两个相机把视野拼在一起；用广角畸变太大。 | |||
Q：卡尔曼滤波会受到历史帧的影响，不可能不存在累计误差呀（真实非线性，建模为线性），你们是每预测一次都重新开始一次新的预测吗？ A：累积误差几乎可以忽略不计（出现的时间很短）；对每一个装甲的预测可以理解为是一次新的预测 | |||
Q：雷达运算端一般用什么，如台式主机那种？ A：类似于台式电脑的主机，一定要有很好的显卡。 |
| 欢迎光临 RoboMaster (https://bbs.robomaster.com/) | Powered by Discuz! X3.2 |