嘿，亲！知识可是无价之宝呢，但咱这精心整理的资料也耗费了不少心血呀。小小地破费一下，绝对物超所值哦！如有下载和支付问题，请联系我们QQ(微信同号)：813200300
本次赞助数额为： 2 元微信扫码支付：2 元
请留下您的邮箱，我们将在2小时内将文件发到您的邮箱
TJU RM 2018 Advanced算法源码文档
1.概述
RM2018 Advanced源码使用C 编写，实现了以下三个功能：自动射击、大小能量机关打击、自动跟踪拦截。源码包括20个hpp/cpp文件，1~3个xml文件（保存摄像头标定参数），1个ini文件（可调参数文件），一个model文件夹（包括小能量、大能量、装甲类别识别的模型文件）。
2.架构
主程序使用三线程并行运行，分别为：
① 摄像头图像获取线程 ImageCollectThread，该线程不停获取最新图像。
② 图像处理线程 ImageProcessThread，该线程不停处理最新图像。
③ 图像显示线程 ImageDisplayThread，调试状态下，该线程显示所有调试图像。
2.1 运行流程
主程序首先加载可调参数配置文件（configuration.ini），由配置文件先设置摄像头参数（分辨率、曝光时间、自动曝光），随后检查配置文件中程序入口是否为标定程序，是则进入摄像头标定程序，否则开启上面三个线程。
摄像头图像获取线程：首先打开串口，随后进入图像读取循环，注意第一帧会强制重设一遍摄像头参数，这是为了保证摄像头参数被设置。
图像处理线程：首先初始化各模块：加载摄像头参数、装甲检测器、装甲跟踪器、装甲打击模块、轨迹预测器、深度学习管理器、神符识别、神符打击模块、自动跟踪模块。（注意：功能模块的初始化需要串口指针，所以初始化功能模块之前需要确保串口初始化完毕，也就是串口指针不为空）随后进入主循环，循环仅当图像获取线程得到最新图像才会继续后面的操作，即选择合适的处理函数执行。
图像显示线程：没有初始化过程，进入循环等待需要显示的图像被传递，同时该线程当不处于调试模式的时候被屏蔽。
2.2 细节设计
程序的实现较于上面流程说明更为复杂，架构的时候遇到很多坑，这里介绍一些实现上的细节，免得你们重蹈覆辙。
线程锁 在图像处理线程和获取线程都要访问frameData变量，这是不可避免的。而Mat类变量在被同时访问时会触发一个异常，这个异常如果处理线程速度比获取线程快的话，是不会触发的（自己想想为什么），因此这个bug也是在我们将代码从TX移植至妙算上才开始频繁触发（妙算的算力不够）。解决方案是给frameData加一个线程锁，让他在同时只能被一个线程访问。代码参考：util.hpp line 48~58。
DebugDisplayManager 该类负责管理显示图像显示，为静态类。图像显示操作流程为：处理线程将一副想显示的图像提交至该管理器；显示线程显示最新被提交的图像（同名的图像将覆盖）。注意这里的实现每次显示完并不会将列表clear而是将已经显示的图像设置一个visible为false。这是因为如果通过clear来处理，两个线程可能出现一边提交一边清除的情况，这时候提交的线程里列表的指针指向的位置是被释放的，从而导致Segmentation Fault。
调试按键 调试时不免用到键盘，对于这个多线程架构，我们设计了专门的按键处理机制。按键在Display线程触发，保存在waitedKey变量中。但是因为线程不同步可能导致一个按键还没被响应就被覆盖，在Display线程中，只保存有效按键给waitedKey，而在Process线程的主循环末尾将waitedKey清除，这样可以保证waitedKey在被抛弃之前起码被Process线程的处理函数访问一次。同样需要注意Process线程的处理函数中，应该把对waitedKey的处理写在图像处理代码的后面（自己想想为什么？）.
调试暂停 程序架构中已经实现了按P键可以暂停程序，暂停图像处理线程，为保证图像和处理程序同时暂停（自己想想为什么要保证这个？），将暂停代码全部写在Process线程中，但是你应该会发现响应不灵问题（结合上面一条，自己想想应该怎么修改？）。
2.3 模块化设计
架构使用了模块化设计，充分预留了接口使新的算法而不需要对原来的源码直接修改，而只需要在main中创建一个新的对象指针，并指定功能模块使用该指针进行操作即可。该设计保证程序的兼容性，方便回档，不会破坏源码，向上兼容能力强。
功能模块：功能模块是指能被下位机调用的模块。功能模块从ModuleBase类（util.hpp）继承，在调用ModuleBase的构造函数时应该指定模块的ID（ID从2的指数中选取1 2 4 8 … 64，128表示不调用模块）。功能模块在SerialManager中被管理调用，添加新的功能模块只需要编写子类然后在main中注册到SerialManager里面，然后下位机通过对应ID可以调用该功能模块。
自动射击的子模块：自动射击的实现中使用了三个子模块：
① ArmorBaseDetector 装甲检测器基类，可以检测图像中所有装甲。
② ArmorTrackerBase 装甲追踪器基类，自动选择然后一直跟踪其中一个目标，并计算射击角度，算法速率通常比检测器高。
③ Predictor 预测器的基类，根据历史数据预测敌车的若干时间后的位置。
④ ArmorHiter本身也是可继承的，实现不同的射击策略。
神符打击子模块：DSFHiter可继承，实现不同的打击策略。
自动跟踪子模块：自动跟踪正前方物体，暂时没有继承必要。
考虑到不同车有不同的射击策略不同的设备，你可以为其专门设计算法，并在main中组合使用即可。
2.4 串口通信协议
不论是上向下通信还是下向上通信，本通讯协议都遵守一个基本格式。一条指令代码和对应指令参数构成一段指令，规定指令代码一定大于200，指令参数一定小于200。每一次发送数据包含若干个指令段，并且在指令段的最后是一个停止字节，0xC8H（200D）。例如，假设指令201有三个参数、202有2个参数、203没有参数，最后发送这三段指令的数据应该为：
201 102 10 3 202 63 53 203 200
下面定义指令和指令参数。
上位机→下位机通讯：
指令代码
参数个数
描述
201
4
设置云台的目标偏转角，用两个字节记录一个角度，前两个字节为Yaw轴角度 后两个字节为Pitch轴角度。
Yaw轴角度范围 -60~60；Pitch轴角度范围 -30~30
202
1
给出推荐射速，参数为射速单位是m/s，例如参数给出20则表示推荐使用20m/s射速射击。
203
1
射击指令，收到该指令应该在电控约束条件下发射弹丸，参数表示摩擦轮开启信息，是否射击：
1：不开启摩擦轮，不射击
2：开启摩擦轮，不射击
4：开启摩擦轮且射击
204
0
大神符打击完成指令
205
0
程序启动，请求获取裁判系统数据（敌方颜色）
2 为红色 ；0为蓝色
206
4
设置云台目标绝对位置，记参数为a,b,c,d，角度范围：
对哨兵：Yaw -500~500 Pitch -60,20
对步兵：Yaw -80~80 Pitch -50~50
207
6
设置底盘控制量，六个参数分别代表底盘x轴平移（朝右为正）、y轴平移（向前为正）、Yaw轴旋转（顺时针为正）
其中每一个控制量值0~40000均映射到-1~1，1表示最大速度
哨兵中，仅x轴控制量有效
下位机→上位机通讯：
指令代码
参数个数
描述
201
1
调用当前上位机模块，参数为模块ID，具体如下：
大神符打击模块ID为 1；
装甲追踪模块ID为 2；
补给站自动引导模块ID为 4；
自动拦截模块ID为 8；
关闭当前模块使用 128；
202
1
给出裁判系统信息，第一个字节为敌方颜色
红色：2
蓝色：0
203
1
返回当前的射速，该信息应该要经常更新（大约100ms）
204
4
返回云台当前速度（快速更新，大约20ms），参数信息如下
假设参数为a,b,c,d，云台速度：
Yaw -2pi~2pi Pitch -2pi~2pi
205
0
（指令废弃）大神符完成一次打击，请求下一次打击
206
4
返回云台当前角度（快速更新），参数信息如下，
假设参数为a,b,c,d，云台当前角度表示为（朝右为正，朝上为正）
哨兵：Yaw -500~500 Pitch -60~20
步兵：Yaw -80~80 Pitch -50~50
207
4
返回当前位置的估计值，分别为x,y，参数值0~40000分别映射到-30~30、-30~30。
3.算法
算法分为图像处理部分和深度学习部分，分别应用在了装甲检测和神符识别上。
3.1 装甲打击
检测的基本原理：
图像二值化，提取高亮区域。
轮廓提取并近似成多边形，对多边形包裹的区域，检查对应队伍颜色的分量，达到阈值的加入待选灯柱集合，同时记录队伍颜色多少。
依据队伍颜色分量之和排序，取最大的若干个。
对待选灯柱两两配对，计算其匹配程度，并将配对方式和计算结果加入待选结果集合。
舍弃所有匹配程度低于阈值的配对方式，剩余结果按匹配程度排序。
从大到小处理配对方式，若当前配对中的两个灯柱都未被使用过，加入检测结果集合，并标记这两个灯柱为使用过。
匹配得分计算：
包括几个部分：灯柱相对位置，多边形匹配程度，装甲中心是否存在贴纸等因素。具体请参考源码（armorDetector.hpp line 299）。
装甲跟踪原理：
1) 若上一帧没检测到或者已经跟踪了很多帧了，重新检测一帧全图。检测结果若有，则选择一个目标（根据兵种和位置，参考代码armorTracker.hpp），否则查看上一帧是否有目标。若上一帧有目标，则用跟踪算法跟踪上一帧的目标。
2) 若上一帧成功检测且刚刚开始跟踪，则先对上一帧计算出装甲的世界坐标，重投影到屏幕上（自己想想为什么这么做？），在屏幕上该点附近选取一个搜索框，对搜索框中的图像用检测算法检测，若检测成功，使用检测结果；否则尝试使用跟踪算法（MedianFlow）跟踪上一帧目标.
装甲打击原理：
1) 对跟踪的装甲目标，计算世界坐标。
2) 对历史坐标预测一定时间之后的世界位置（对抗时滞）。
3) 将预测位置重新计算云台角度。
4) 对该角度叠加上抵消重力的角度。
5) 计算偏转角，并带入PID控制器（想想为什么要用PID控制器）。
6) 输出加上当前角度得到绝对角度，通过串口发送。
7) 如果偏转角小于1°，那么发射弹丸。
3.2 能量机关打击
图像处理部分自己看代码吧，懒得写了。
注意神经网络识别九宫格之后，要做一个最大匹配，计算出总概率最大的一个排列，由此大大提高识别正确率。
3.3 神经网络
兵种识别、大小能量机关识别都通过神经网络实现。实际使用时用Darknet框架，模型训练时用Tensorflow得到pb模型，然后通过工具转为Darknet需要的.cfg和.weight文件，再投入实际使用。
兵种识别：通过识别装甲上贴纸的数字实现。这是一个分类模型，输出分为6类，分别表示未知和数字1~5。网络仅使用全连接层实现，输入层为1x784(28x28)的行向量，一个100个神经元的隐含层，输出层6个神经元，后接softmax导出概率。隐含层激活函数使用LeakyRelu。数据集是自己采集、标注的数据集。
小能量机关识别：使用MNIST手写数字数据集，用卷积神经网络识别。
① 网络架构输入层，大小为28x28x1；
② 卷积[5,5,1,32]，输出尺寸不变，步长1，Relu激活；
③ 最大池化2x2，步长为2；
④ 卷积[5,5,32,64]，输出尺寸不变，步长1，Relu激活；
⑤ 最大池化2x2，步长为2；
⑥ Reshape到1x3136
⑦ 全连接层 1024个神经元，Relu激活；
⑧ 全连接 10个神经元；
⑨ Softmax得到概率；
大能量机关识别：模型和兵种识别的模型差不多，输入变成了32*32*3=3072而已。
4.注意事项
程序在部署到一台新设备或者新车上时，需要修改文件custom_definations.hpp，主要是几个宏定义和文件路径需要配置。编译完成之后，需要为新摄像头重新标定，修改mainEntry为10可以进入标定程序。程序可调参数对每辆车都有可能不一样。
注意：分辨率类型中，如果选择640x480分辨率，程序从摄像头获取的分辨率为640*480，但是会手动放大至720P，这是为了保证识别范围。
注意：在妙算或者TX上编译源程序时，经常会出现“在未来修改文件”的错误，导致程序不能正确编译，这个时候可以输入下列指令：
find . -type f -exc touch {} \;
make clean
make
一般就可以编译成功了。