第27届中国机器人及人工智能大赛自主巡航与目标射击赛道（有部分国一源码）

初入前端小白

已于 2025-03-14 18:21:30 修改

阅读量1.4k

点赞数 28

文章标签：人工智能 YOLO 算法中国机器人大赛中国机器人及人工智能大赛机器学习机器人

于 2025-03-14 18:15:03 首次发布

本文链接：https://blog.csdn.net/wangyuchen00/article/details/146259434

版权

去年参加了这个比赛刚开始的时候，遇到了许多坑，还有许多要学习的地方，我现在把这些经验分享出来，给大家一起讨论，第一次参加的时候拿了国二，然后第二次参加了全球校园算法精英大赛拿了国一，现在和大家一起分享一下经验，如果需要完整代码私聊博主

用ROS无人车参加学科竞赛的常见“坑”与解决方案

在ROS无人车竞赛中，参赛团队往往会遇到硬件、软件、算法、调试等全方位的挑战。这些问题不仅考验技术能力，更考验团队协作和快速解决问题的能力。以下从实际竞赛场景出发，总结高频“坑点”和实战解决方案，帮助团队少走弯路。

软件篇：ROS的“隐藏陷阱”

多节点通信卡顿

坑点：

激光雷达点云话题（/scan）堵塞，导致规划器收不到实时数据。

多车协同通信时，话题命名冲突引发数据混乱。

解法：

流量控制：用`topic_tools/throttle`限制点云发布频率（如10Hz）。

命名空间隔离：为每辆车分配独立命名空间（如`/robot1/scan`）。

<launch>
  <!-- 机器人1 -->
  <group ns="robot1">
    <param name="robot_name" value="robot1"/>

    <!-- 激光雷达 -->
    <node name="laser_node" pkg="your_laser_pkg" type="laser_publisher"/>

    <!-- 流量控制 -->
    <node name="throttle_node" pkg="topic_tools" type="throttle" 
          args="messages /robot1/scan 10.0 /robot1/scan_throttled"/>

    <!-- 规划器订阅限流后的点云 -->
    <node name="planner" pkg="your_planner_pkg" type="planner_node">
      <remap from="/scan" to="/robot1/scan_throttled"/>
    </node>
  </group>

  <!-- 机器人2（同理） -->
  <group ns="robot2">
    <param name="robot_name" value="robot2"/>
    <!-- 同机器人1配置 -->
  </group>
</launch>

参数调试的“蝴蝶效应”

- 坑点：

- 修改一个PID参数导致整车失控，且无法快速回退。

- 解法：

- 动态参数配置：用`dynamic_reconfigure`实时调整参数并保存到文件。

- 版本化管理：用Git分支管理不同场景的参数组合（如`high_speed_config`）。

给出实例

# config/pid_params.cfg
from dynamic_reconfigure.parameter_generator_catkin import *

gen = ParameterGenerator()

gen.add("kp", double_t, 0, "Proportional Gain", 1.0, 0.0, 10.0)  # kp: 0.0 <= x <= 10.0
gen.add("ki", double_t, 0, "Integral Gain", 0.1, 0.0, 5.0)
gen.add("kd", double_t, 0, "Derivative Gain", 0.05, 0.0, 2.0)
gen.add("enable", bool_t, 0, "Enable PID", True)

exit(gen.generate(
    "your_package",  # 功能包名（命名空间）
    "pid_node",      # 节点名称
    "PID_Params"     # 生成的配置头文件前缀
))

import dynamic_reconfigure.client
from dynamic_reconfigure.server import Server
from your_package.cfg import PID_ParamsConfig
import rospy

class PIDController:
    def __init__(self):
        self.server = Server(PID_ParamsConfig, self.config_callback)
        self.kp = 1.0
        self.ki = 0.1
        self.kd = 0.05
        self.enabled = True

    def config_callback(self, config, level):
        self.kp = config.kp
        self.ki = config.ki
        self.kd = config.kd
        self.enabled = config.enable
        rospy.loginfo("PID Params updated: kp=%.2f, ki=%.2f, kd=%.2f", self.kp, self.ki, self.kd)
        return config

if __name__ == "__main__":
    rospy.init_node("pid_node")
    controller = PIDController()
    rospy.spin()

算法篇：理想模型 vs 现实场景

1. SLAM建图的“幽灵墙”

坑点：

动态行人被误建入地图，长廊环境因特征点不足导致SLAM失效。

解法：

语义过滤：用YOLOv8实时检测行人，从点云中剔除动态物体。

多传感器融合：在走廊中优先使用轮速计+IMU的航迹推算（Dead Reckoning）。

给出例子供参考

步骤1：YOLOv8检测行人并输出边界框

import cv2
import torch
from ultralytics import YOLO

# 加载YOLOv8模型
model = YOLO("yolov8n.pt")  # 或更高版本

def detect_person(image):
    results = model(image)
    boxes = results[0].boxes.xyxy.cpu().numpy()
    person_boxes = []
    for box in boxes:
        class_id = results[0].boxes.cls[int(box[-1])].item()
        if class_id == 0:  # 假设0是行人类别
            person_boxes.append(box)
    return person_boxes

步骤2：将检测结果映射到点云中剔除动态点

import numpy as np
import rospy
from sensor_msgs.msg import PointCloud2
from geometry_msgs.msg import PointStamped
import sensor_utils  # 自定义坐标转换工具

def remove_dynamic_points(ros_pointcloud, person_boxes):
    # 将ROS点云转换为numpy数组
    points = sensor_utils.pointcloud2_to_array(ros_pointcloud)
    
    # 假设摄像头与激光雷达已标定，转换坐标系
    cam_to_lidar = sensor_utils.get_transform("camera", "lidar")
    
    # 遍历行人边界框，剔除点云中的动态区域
    filtered_points = []
    for point in points:
        # 将点云点转换到相机坐标系
        point_cam = cam_to_lidar.inverse() * point
        # 检查是否在行人边界框内
        if not is_inside_any_box(point_cam, person_boxes):
            filtered_points.append(point)
    
    # 生成过滤后的点云
    filtered_cloud = sensor_utils.array_to_pointcloud2(filtered_points)
    return filtered_cloud

def is_inside_any_box(point, boxes):
    for box in boxes:
        x_min, y_min, x_max, y_max = box
        if x_min < point.x < x_max and y_min < point.y < y_max:
            return True
    return False

步骤3：ROS节点实现

<!-- launch文件 -->
<launch>
  <!-- 激光雷达点云 -->
  <node name="laser_node" pkg="your_lidar_pkg" type="laser_publisher"/>

  <!-- 相机图像 -->
  <node name="camera_node" pkg="your_camera_pkg" type="camera_publisher"/>

  <!-- 动态物体检测与点云过滤节点 -->
  <node name="dynamic_filter" pkg="your_pkg" type="dynamic_filter_node">
    <remap from="/input_cloud" to="/points_raw"/>
    <remap from="/output_cloud" to="/filtered_points"/>
  </node>

  <!-- SLAM节点订阅过滤后的点云 -->
  <node name="slam_node" pkg="your_slam_pkg" type="slam_node">
    <remap from="/points" to="/filtered_points"/>
  </node>
</launch>

2. 路径规划器的“智障”时刻

- 坑点：

- A*算法绕远路，DWA局部避障卡死在U型障碍中。

- 解法：

- 分层规划：全局规划用`NavFn`生成粗略路径，局部规划用`TEB`动态避障。

- 代价地图优化：在`costmap`中膨胀障碍物，预留安全距离。

---