西安交大笃行队人工智能挑战赛技术方案1

简介：
西安交通大学笃行战队人工智能挑战赛的技术方案设计本文档阐述了西安交通大学笃行战队在RMUA2021技术方案中的解决方案，该方案包含有嵌入式系统结构、视觉感知技术和目标定位这三个关键组成部分。内置于设备的嵌入式架构嵌入式系统结构包含硬件系统结构、通信链路和传感器信息同步三个组成部分。其中，硬件系统结构由上位机、云台和底盘组成，上位机对来自摄像头的实时数据进行精确处理，能够确定敌方装甲车辆的具体位置，并计算出最佳攻击姿态，这一数据随后通过CAN总线传递给底盘控制器和云台控制器。底盘控制器与云台控制器之间则采用点对点通信方式实现信息共享。在多方位感知系统方面，车辆配备了多个传感器，需要对这些传感器提供的信息进行综合协调处理，并精确标定和统一校准基准时间，以确保数据的时序一致性。当数据传输的时间间隔小于设定阈值T时，可以基于采集到的观测数据和时间间隔T来进行预测性分析。基于视觉感知的算法，通过图像分析技术实现目标识别功能。该算法依据视觉感知机制，模拟人类对物体形状、颜色和纹理等特征的感知能力，从而实现高效的目标检测与跟踪。视觉感知模块的硬件由车载深度相机与岗哨工业摄像头共同构成，其中涉及的目标检测、姿态估计以及多摄像头协同工作的全局和局部目标定位跟踪预测等算法。岗哨摄像头负责对目标进行识别、定位及行动状态分析，并通过决策模块作出相应判断；机载摄像头则专注于目标位置的预测，同时生成RGB图像并提供机器人与装甲板之间的信息，这些信息以世界坐标系为基础。对于深度图的预测坐标下位机是否能有效识别目标的问题，则需要结合目标跟踪、定位及行动状态分析等多方面的数据进行综合判断；此外，还需对预测坐标的像素位置以及是否能准确识别目标进行全面评估。” 在目标检测领域，我们利用YOLOv5-l架构实现了哨岗目标的识别，并通过泰勒展开法对模型进行了参数缩减。针对机器人视觉检测任务，在模型架构上，我们采用的是经过剪裁处理后的YOLOv5-m配置，并利用泰勒展开法缩减了模型参数数量。 3. 目标定位 数据采集：通过科学的数据收集手段进行。这一过程需要确保数据的质量与完整性，为后续分析提供可靠的依据。 特征选择与模型构建：系统性地完成特征筛选和模型搭建工作。该阶段的任务是确定最优的特征组合，并构建出具有预测能力的模型框架。 结果分析与可视化：对实验结果进行详细的数据评估，并采用直观形象的呈现方式，便于观察者快速理解研究结论。 在目标定位方面，我们通过场地中的视觉标签确定两个岗哨相机的外参位置，并运用EPnP算法精确计算其位姿。随后，在最小化重投影误差的目标下，建立模型来优化估计值的非线性问题。 基于岗哨的目标定位任务中，我们采用装甲板中心位置作为关键参考点，并通过几何分析确定连接相机光心O与目标点A的直线段OA，在与其所属高度平面HA相交的位置处，即可精确确定该点在地面上的投影坐标A。本文档详细阐述了西安交通大学笃行战队在RMUA 2021技术方案中的解决方案，其中包含嵌入式系统架构、视觉感知技术和目标识别三个主要部分，并在机器人竞技比赛中形成了完整的技术支撑体系。