2024年电赛H题全开源

当题目出来的的那一刻,看到了M0芯片,我们实验室只有一块板子,并且我没有接触过M0,电赛只准备了TI的MSP430f5529。但是我并没有放弃,决然的选择了H题。基本上将四问全做出来,可是测试由于使用了感为科技的寻迹模块,因此只测试了题目的第一问。

一、元器件选择

小车底盘我们选择了轮趣科技的MG310电机,加48mm的轮子。

控制MCU选择M0G3507

寻迹感为科技的寻迹

角度传感器采用JY61P

PCB开源地址:

代码开源链接:Gitee

三、题目规划与思路

题目主要就是小车需要再没有黑线的地方固定一个角度走直线,在黑线部分进行寻迹,因此我们使用角度传感器获取角度数据,采用PID控制让小车走直线到达黑线七点,再采用寻迹PID使小车寻到黑线末端。

OLED负责显示菜单,便于我们控制小车执行任务

角度传感器和MCU之间采用串口通讯获取角度数据

四、问题分析与解决

由于角度采用PID控制,但是角度传感的值是从-180到+180,这虽然是线性数据,但是当小车在运动旋转180度之后角度会从-180直接变为180,这使得我们无法进行PID控制。解决的方法就是,将角度值转化弧度值,因为sin-180=sin180,这样角度数据就连续起来了。

小车停止位置采用距离控制停止不准确的问题,最终方案是当小车寻不到黑线时我们就认为到达A,B,C,D四个点。

五、总结

在制作小车过程中虽然遇到了很多困难与挫折但是我们要坚持下来,解决问题才是根本,有错误必有源头,顺着错误找源头才是正解!

代码地址:empty_LP_MSPM0G3507_nortos_ticlang · fighter/电子设计大赛 - 码云 - 开源中国 (gitee.com)

视频链接:【fighter】视频已打包,欢迎围观!_哔哩哔哩_bilibili

武汉大学21电赛H涉及循环神经网络(RNN)的相关知识。RNN是一种广泛应用于序列数据处理的深度学习方法。回答该首先需要了解RNN的基本原理和应用。 RNN是一种能够对序列数据进行处理的神经网络模型。与传统的前馈神经网络不同,RNN在网络内部引入了循环的连接,使得网络可以保留先前的信息,并将其与当前信息结合起来。这种记忆力使得RNN在处理自然语言处理(NLP)、语音识别、时间序列分析等领域具有出色的性能。 针对该,需要先了解RNN的工作原理和应用场景。RNN的核心是隐藏状态(hidden state),它经过每个时间步骤的更新,可以记录之前的信息并传递给下一个时间步骤。在训练时,需要使用循环层(Recurrent Layer)和输出层(Output Layer)之间的误差进行反向传播,以更新网络参数。 对于该问,可能需要使用RNN对一个序列进行预测或分类。具体的解答可能涉及数据的预处理、网络的搭建和训练等方面。这里只能给出一个大致的解答思路。 首先,根据目提供的场景和数据,需要进行数据的预处理,包括数据的清洗、归一化等。接下来,可以使用Python中的深度学习库,如TensorFlow或PyTorch,搭建RNN模型。可以选择常用的RNN结构,如基本的循环神经网络(Simple RNN)、长短期记忆网络(LSTM)或门控循环单元(GRU)等。 在训练RNN模型时,可以将数据集进行分割为训练集和验证集,并对模型进行训练和优化。训练的目标是将模型在验证集上的准确率或损失函数最小化。 最后,在测试集上评估模型的性能,可以通过计算准确率、召回率或F1值等指标来评估模型的预测效果。 综上所述,针对武汉大学21电赛H,我们需要使用RNN进行序列预测或分类的任务。具体的实现步骤包括数据的预处理、RNN模型的搭建与训练,以及模型的评估。该的具体解答需要参赛者对RNN算法的理解和实践经验。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值