视觉中期文档

634bebc64df5b4279a6577b9cf918ff.jpg

今年，我们视觉方案的核心是构建一个能在复杂比赛环境下稳定命中的高帧率自瞄系统。针对去年小陀螺跟踪不稳、远距离命中率低的问题，我们从预测模型、弹道解算到系统延时进行了全链路升级。

首先在状态估计上，我们将单装甲板的EKF模型扩展为双装甲板模型，并引入熵权法来解决高速旋转下装甲板的匹配难题。我们为自瞄和前哨赛分别建立了优化的运动模型，这使得系统在面对突然变速或切换运动模式的目标时，跟踪更加平滑稳定。在识别与定位环节，我们取得了关键性突破：通过对比测试，最终采纳了上交的“降自由度”yaw角优化算法。这项改进将装甲板在正对相机（0度附近）时的角度解算跳变，从原先的30度甚至60度大幅压制到5度以内，从源头上极大提升了姿态估计的稳定性与准确性，为后续预测提供了可靠输入

5cccdc193d30d2cb4bdf2f23ad3d820.jpg

我们在系统底层做了些许修改：将识别算法由神经网络算法调整为更适合运算平台的传统视觉识别，显著提升了处理速度；手写了一套脱离ROS的坐标变换器，彻底避免了ROS消息传递带来的时间错位；同时，我们实施了帧率控制器，并用插值法补偿图像从采集到处理的时间差，确保了每帧数据的时间戳尽可能地对齐。这一系列措施使得核心识别跟踪节点的帧率超过100Hz，考虑到图像传输的延迟达到25ms在保证时间尽可能的对齐下对自瞄瞄准进行帧率控制，控制在50帧,在保证实时性下,也使得系统更为的稳定

我们开发的“约束平面法”能在线估计相机的俯仰、滚动角装配误差，这为现场快速校准提供了明确指导，大幅降低了调试门槛。目前，系统的主要局限在于超过5米后线性空气阻力模型的偏差会增大，同时，更为复杂的控制-执行延迟问题尚未完全解决：例如，基于模型预测控制（MPC）来补偿子弹飞行与火控延迟的方案，以及在装甲板切换时提前减速以匹配云台电机有限扭矩的动态规划，仍是下一阶段需要集成与攻克的重点。总体而言，今年的方案让系统在“稳、准、快”三个维度上都取得了扎实的进步。

案例名称: 自瞄火控BUG排查

使用的AI工具: deepseek

典型场景描述: 自瞄程序存在火控不打弹或者火控没有效果一直打弹，你需要在庞大的代码库中插入print语句，反复复现问题，手动分析数据流，结合经验猜测可能原因（如坐标转换顺序错误、除法零值、数值溢出等）。 使用AI将核心的错误代码段、相关的变量输出、以及关键的日志信息粘贴给AI。提问为什么自瞄的火控在目标旋转的情况下一直不打弹

实施效果对比: 传统人工实施: 耗时数小时取决于bug的隐蔽性依赖调试者的经验和运气 AI辅助实施: 几分钟获得多个可能原因的诊断列表，极大提高初步诊断效率，但仍需人工验证。