RoboMaster2019能量机关

8m定点打靶（移动与不移动）的任务
获取图像——>图像处理——>运动预测——>转动云台及射击

1、获取图像：使用摄像头获取能量机关图像
2、图像处理：识别算法部分，识别一些关键元素，如装甲板，旋转中心，旋转臂的灯效种类。
3、运动预测：由于大风车是在运动，还需要进行大风车运动预测，同时子弹的运动不是一条直线，也需要进行子弹弹道补偿。
4、转动云台及射击：预测过后，就能得到云台所要旋转的pitch,yaw角，发送给stm32底层，完成控制。（需要电控组协调）

获取图像
相机安装位置：
由于大风车在固定位置旋转，摄像头安装在底盘上，底盘保持不动，则摄像头相对大风车是静止的，可以大大简化图像计算，并且避免了不必要的干扰。相对于安装云台上，提高了准确率和速度。

相机镜头焦距选择：
采用1/2” CMOS传感器芯片，130万像素分辨率
像素尺寸 4.8μm×4.8μm
分辨率 1280(H)×1024(V)
焦距计算公式：http://www.microimage.com.cn/xwjs/2010/0715/article_1649.html
镜头焦距 = （镜头到物体的距离）×（相机机型号尺寸）/ 物体的高度
f = 1500mm × 4.8 /250 = 28.8mm

风车半径为0.8m,则大小为1.61.6m，需要图像留有余量，方便机器人对位，这里视野取目标的3倍，则视野大小应为4.8 4.8m。
大风车距离桥头（镜头）距离为8m
相机尺寸为4.8um1024=4.8mm
8004.8/480 = 8mm
所以考虑选择8mm的镜头（其实6mm的也行）

图像处理
二值图，过滤掉背景噪音后，在二值图上可以方便的提取关键元素
提取关键元素：
装甲板：提取装甲板，后续可以使用pnp算法解算位置，得到打击目标位置。
旋转臂：由于需要区分激活状态的旋转臂和未激活的旋转臂，所以需要提取该部分元素进行区分。
旋转中心：发光R，由于大风车处于旋转状态，需要进行圆周预测，那么圆心位置是必不可少的。

findcontours()和minAreaRect() ，然后使用约束条件进行匹配选择，如长宽比，大小，角度等。

运动预测

1.建立大风车运动模型：

由于大风车旋转，对于识别到的打击目标，需要进行预测才能真正的打中目标。大风车做匀速圆周运动，需要获取圆周运动的圆心（待测），半径（已知）和速度（已知），通过建立大风车运动模型来进行预测
方案一：记录多个装甲板点（开始只进行图像处理），建立装甲板运动在3维空间的圆的方程，从而进行预测。
方案二：平面简化版模型，在图像上，得到大风车中心点，得到装甲板目标中心，直接得到图像平面圆方程，从而进行预测。优点为简单，便于实现；缺点为对于打击能量机关的位置很敏感，必须正对能量机关，不正对会带来预测误差。

固定预测时间t（在stm32端实现，采用一个定时器，固定延时发射子弹），从而固定的预测旋转角度theta

2.建立子弹抛物模型：

由于距离较远，必须考虑重力对子弹的影响，可以建立重力模型，对子弹进行建模，从而对云台所需要的仰角进行补偿。

3.建立一个pitch偏移表，通过偏移量查表来进行补偿。

误差分析

相机标定误差：
由于涉及视觉测量，相机参数在进行视觉测量中，具有重要的作用，其误差会直接导致视觉测量误差。所以，需要减小其相机标定误差。多次标定，去掉偏差较大的标定结果，取中位标定结果来减小误差

相机安装位置误差
由于相机安装在底盘上，相机与发射云台有个坐标变换，包含一个平移向量和一组旋转参数，理想安装位置，相机与云台安装没有旋转关系，只有平移关系。

平移向量直接采用直尺测量，精度在mm级别，不会引入太大误差。
旋转参数选择参数采用欧拉角方式，理想状态均为0，由于误差，其真实值并不为0。
可通过经验补偿方式减小误差

算法误差（图像识别与单目定位）
采用PnP定位算法，来对目标进行定位。
定位深度距离误差预估为：8m*(1/50)*100% = 16cm
对于单目测距来说，远距离识别误差大，很大原因是被测量物体分辨率不够，像素波动对于定位误差影响很大。可以考虑其他的一些高精度定位方案，如双目定位等，来减小算法误差.

弹道误差
机械因素：包含枪管等子弹发射经过的机构设计，导致子弹发射并不是平行于枪管中轴线，而形成散射的效果。
射速因素：由于远距离设计，子弹并不是直线发射，所以，还受发射速度的影响，不稳定的发射速度也会影响弹道的上下偏移。
射速影响理论计算：（理想）