坦言,在出发前,在踏入赛场前乃至比赛结束的那一刻,我都没有想到,我们会以未完赛的姿态退出赛场,出乎我们的意料,也辜负了老师的信任。我们两个已然大三了,应该也是最后一次的参加智能车赛了,这样的成绩不能不说遗憾。 第十六届的AuTop,以未完赛告终,又或者,因祸得福?给我们空余的时间来开源公开方案代码,可能会比拿到那五十个国赛名额之一,更有意义,以一种不同于Boom、赛博它们那样优异成绩方式,以一种
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第十一部分--激光打靶,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 最近有些小伙伴在问我激光打靶时,如何计算舵机的转角。所以特此补充一篇文章来进行介绍。 注:该篇文章需要一定程度的相机成像模型和坐标变换的知识,如果有机器人学的基础知识会更好。 一、坐标系定义 一个常规的二自由度
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第十部分--电感控制方案,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 其实AuTop是摄像头方案,基本没有涉及电感,这里的电感方案介绍同样也是抛砖引玉作用,谈一谈我们的认识,欢迎电磁大佬指正。 一. 电磁基础介绍 在智能车比赛的赛题中介绍,赛道中心会铺有20kHz、100mA交
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第九部分--速度控制方案,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 上文(木烨:第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解(八)系统辨识与速度控制算法)介绍了AuTop在速度控制方面的算法及认识,下面将简单介绍一下,我们的速度控制方案。 一. 速度控制方
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第八部分--系统辨识与速度控制(PID)算法,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 提到速度环算法,自动化人的第一个反应必然是经典的PID算法,本文将介绍AuTop在本次竞赛中对常规PID算法、参数调节、改进式PID算法等的尝试探究。 1. 常规PID控制算法 经典PI
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第七部分--三岔数字识别,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 在前一篇文章(木烨:第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解(六)Openart识别方案)中,我们提到了数字识别的思路。采用全局分类器的方式,直接判断图像中是否有数字靶牌,以及对应的数字
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第六部分--Openart识别方案,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 一.识别基本思路 智能视觉组赛题的识别要求包括三项,数字识别、Apriltag识别以及水果动物的分类,这三部分我们都基于官方建议的Openart mini进行实现。早期我们也尝试基于NXP Openmv
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第五部分--元素识别,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 作为智能车比赛基本要求,小车需要按照规划的路径行驶。以下分享我们基于角点识别实现的,对不同元素识别与控制的思路。 一、角点计算方法 角点识别,故名思义,通过计算道路边线的实际角度来对道路进行判断。 在之前的文章中
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第四部分--边线处理与方向控制,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 边线处理 在方向控制中,一种基于几何关系的常用控制方式是纯跟踪控制。对于纯跟踪控制,相信做智能车比赛的小伙伴都不会陌生,而在纯跟踪控制中,最重要的就是确定预锚点。 预锚点是位于小车目前路径上的一点,使
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第三部分--标定与透视变换,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 补充:有收到一些反馈说这部分看的不是很懂。建议看不懂的小伙伴先去了解一下相机成像模型和坐标变换等基础知识。文章限于篇幅没法从最基础的地方开始介绍。 本次比赛我们使用了一个150°的广角镜头以获得更大的视野范
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第二部分--边线提取,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 视觉巡线(二)边线提取 在得出一个良好的二值化后(我们采用的自适应阈值,几乎可以做到零调参),还需要从其中提取出赛道的边线。 一个比较常见的做法是从图像中间开始向两侧扫描,遇到的第一个黑色像素即为赛道边线,从图像下
此文系第16届智能车智能视觉组-上海交通大学AuTop战队开源算法讲解第一部分--二值化的技巧,专栏及开源方案链接: llo:第16届智能车智能视觉组-上海交通大学AuTop战队开源汇总 视觉巡线(一)二值化的技巧 在智能车比赛当中的,如果使用摄像头进行巡线,二值化几乎是一个必不可少的一步。 二值化可以看作通过某种映射,将原始灰度图中的某个像素变换为0或255。 固定阈值二值化 最简单的二值
积分
粉丝
勋章
TA还没有专栏噢
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信