1. 項(xiàng)目背景與核心挑戰(zhàn)去年參加光電賽我們團(tuán)隊(duì)抽到的是小車相關(guān)的題目要求實(shí)現(xiàn)一個(gè)具備自主導(dǎo)航與目標(biāo)識(shí)別能力的移動(dòng)平臺(tái)。題目本身沒有限定具體的傳感器方案但“光電”二字其實(shí)已經(jīng)暗示了視覺是核心得分點(diǎn)。當(dāng)時(shí)市面上開源的小車方案很多但要么是純循跡的簡(jiǎn)單邏輯要么是依賴激光雷達(dá)的“重裝”方案成本高且與“光電”主題的貼合度不夠。我們決定走一條更貼合賽事精神的路以低成本樹莓派為主控搭配普通USB攝像頭完全依靠視覺算法來(lái)實(shí)現(xiàn)環(huán)境感知、路徑規(guī)劃和動(dòng)態(tài)避障。這個(gè)決定背后有幾個(gè)現(xiàn)實(shí)的考量。首先比賽預(yù)算有限一套像樣的激光雷達(dá)加上配套的工控機(jī)成本直接起飛而樹莓派加攝像頭的組合幾百塊就能搞定。其次視覺方案的可擴(kuò)展性和“炫技”空間更大比如我們后來(lái)做的動(dòng)態(tài)目標(biāo)跟蹤和二維碼導(dǎo)航都是激光方案很難低成本實(shí)現(xiàn)的“亮點(diǎn)”。但挑戰(zhàn)也是顯而易見的視覺處理對(duì)算力要求高樹莓派的CPU在跑操作系統(tǒng)、圖像處理、控制邏輯時(shí)很容易捉襟見肘環(huán)境光照變化、攝像頭畸變、動(dòng)態(tài)障礙物干擾每一個(gè)都是坑。我們最終完成的代碼不僅讓小車在比賽場(chǎng)地里穩(wěn)定跑完全程還實(shí)現(xiàn)了幾個(gè)超出題目要求的附加功能。比賽結(jié)束后我覺得這套從零搭建的視覺處理框架、以及過(guò)程中趟過(guò)的無(wú)數(shù)個(gè)坑對(duì)后來(lái)者應(yīng)該很有價(jià)值所以決定把核心代碼和方案思路徹底開源。這不是一個(gè)簡(jiǎn)單的“調(diào)庫(kù)”Demo而是一個(gè)包含了傳感器驅(qū)動(dòng)、圖像預(yù)處理、特征提取、決策控制、電機(jī)PID調(diào)速的完整工程你可以直接用它作為基礎(chǔ)去開發(fā)你自己的AGV、巡檢機(jī)器人或者更復(fù)雜的移動(dòng)視覺平臺(tái)。2. 硬件選型與系統(tǒng)架構(gòu)設(shè)計(jì)硬件是地基選錯(cuò)了后面代碼寫得再漂亮也白搭。我們的核心思路是在有限的成本和算力下實(shí)現(xiàn)功能、穩(wěn)定性和開發(fā)效率的平衡。2.1 主控與感知單元為什么是樹莓派4B OV5647主控我們選擇了樹莓派4B 4GB版本。當(dāng)時(shí)樹莓派5還沒發(fā)布4B是性價(jià)比和性能的甜點(diǎn)。2GB內(nèi)存跑帶圖形界面的ROS都有些吃力4GB給了我們充足的緩沖空間。有人可能會(huì)問(wèn)為什么不用性能更強(qiáng)的Jetson Nano原因很簡(jiǎn)單功耗和生態(tài)。小車由電池供電Jetson Nano的功耗和散熱是個(gè)大問(wèn)題。而樹莓派龐大的社區(qū)意味著任何奇怪的問(wèn)題幾乎都能找到解決方案這對(duì)于爭(zhēng)分奪秒的比賽和后續(xù)開發(fā)至關(guān)重要。攝像頭模塊我們選擇了樹莓派官方的OV5647攝像頭。這是一個(gè)非常關(guān)鍵的選擇。很多人會(huì)直接用USB攝像頭因?yàn)榧床寮从梅奖?。但我們放棄了USB方案選擇了通過(guò)CSI接口直接連接的OV5647。主要原因有三點(diǎn)帶寬與延遲CSI是專為攝像頭設(shè)計(jì)的高速接口數(shù)據(jù)傳輸?shù)膸捄头€(wěn)定性遠(yuǎn)高于USB。對(duì)于需要實(shí)時(shí)處理圖像的視覺小車降低圖像采集的延遲至關(guān)重要幾十毫秒的延遲在高速移動(dòng)和避障時(shí)可能就是撞上與錯(cuò)開的區(qū)別。系統(tǒng)資源占用使用raspistill或picamera庫(kù)直接操作CSI攝像頭圖像數(shù)據(jù)直接進(jìn)入內(nèi)存CPU占用率低。而USB攝像頭需要走USB總線并由uvcvideo等內(nèi)核模塊處理會(huì)額外消耗CPU資源。固定與供電OV5647模塊小巧通過(guò)排線連接更容易在小車車體上固定且供電來(lái)自樹莓派本身無(wú)需額外考慮USB供電問(wèn)題。當(dāng)然OV5647的缺點(diǎn)是其默認(rèn)的廣角鏡頭畸變較大。我們通過(guò)事先標(biāo)定獲取了相機(jī)內(nèi)參和畸變系數(shù)在代碼中進(jìn)行了實(shí)時(shí)校正這個(gè)問(wèn)題就解決了。2.2 車體、電機(jī)與驅(qū)動(dòng)打造穩(wěn)定的運(yùn)動(dòng)平臺(tái)車體我們選用了一款常見的兩輪差速底盤。差速驅(qū)動(dòng)結(jié)構(gòu)簡(jiǎn)單控制模型成熟非常適合做路徑規(guī)劃和算法驗(yàn)證。電機(jī)是關(guān)鍵我們選擇了帶編碼器的直流減速電機(jī)。編碼器是必須的它是實(shí)現(xiàn)閉環(huán)速度控制、里程計(jì)推算的基礎(chǔ)。沒有編碼器你只能開環(huán)控制電機(jī)“大概轉(zhuǎn)多快”小車走直線都會(huì)飄。電機(jī)驅(qū)動(dòng)板選用的是基于TB6612FNG芯片的驅(qū)動(dòng)模塊。它比古老的L298N效率高、發(fā)熱小支持PWM調(diào)速和正反轉(zhuǎn)控制接口簡(jiǎn)單。我們將驅(qū)動(dòng)板直接通過(guò)GPIO與樹莓派連接。這里有一個(gè)重要的經(jīng)驗(yàn)務(wù)必給樹莓派和電機(jī)驅(qū)動(dòng)使用獨(dú)立的電源供電并通過(guò)共地連接。電機(jī)在啟停時(shí)會(huì)產(chǎn)生巨大的電流波動(dòng)和反向電動(dòng)勢(shì)如果和樹莓派共用電源極易導(dǎo)致樹莓派重啟或IO口損壞。我們采用了兩塊鋰電池組分別供電這是保證系統(tǒng)穩(wěn)定的基石。2.3 軟件架構(gòu)輕量級(jí)ROS與自定義節(jié)點(diǎn)的融合軟件上我們沒有使用完整的ROS Desktop環(huán)境而是安裝了ROS Noetic的ros-base版本。因?yàn)樾≤嚥恍枰獔D形化界面ros-base包含了核心的通信機(jī)制節(jié)點(diǎn)、話題、服務(wù)足夠我們使用。這節(jié)省了大量的存儲(chǔ)空間和啟動(dòng)時(shí)的內(nèi)存占用。我們的軟件架構(gòu)分為幾個(gè)獨(dú)立的節(jié)點(diǎn)通過(guò)ROS話題進(jìn)行通信camera_node: 負(fù)責(zé)驅(qū)動(dòng)OV5647攝像頭發(fā)布校正后的圖像話題 (/camera/image_raw) 和相機(jī)信息話題 (/camera/camera_info)。vision_processing_node: 核心視覺處理節(jié)點(diǎn)。訂閱圖像話題進(jìn)行目標(biāo)識(shí)別、車道線檢測(cè)、障礙物分割等并發(fā)布處理結(jié)果如目標(biāo)位置、可行區(qū)域邊界到?jīng)Q策話題。decision_control_node: 決策與控制節(jié)點(diǎn)。訂閱視覺處理結(jié)果和編碼器數(shù)據(jù)里程計(jì)進(jìn)行路徑規(guī)劃并計(jì)算出左右輪的目標(biāo)速度發(fā)布到控制話題。motor_driver_node: 電機(jī)驅(qū)動(dòng)節(jié)點(diǎn)。訂閱控制話題的目標(biāo)速度通過(guò)PID控制器結(jié)合編碼器反饋生成PWM信號(hào)驅(qū)動(dòng)電機(jī)實(shí)現(xiàn)精準(zhǔn)調(diào)速。這種模塊化設(shè)計(jì)的好處是調(diào)試方便。我們可以單獨(dú)測(cè)試視覺算法用錄制好的數(shù)據(jù)包rosbag回放也可以單獨(dú)測(cè)試電機(jī)控制手動(dòng)發(fā)布速度指令。整個(gè)系統(tǒng)的耦合度很低。3. 核心視覺處理流程拆解視覺處理是整個(gè)系統(tǒng)的大腦我們將其 pipeline 分解為幾個(gè)串行的步驟每一步都做了針對(duì)性的優(yōu)化。3.1 圖像預(yù)處理不僅僅是“濾波”從攝像頭出來(lái)的原始圖像不能直接用。我們的預(yù)處理流程包括畸變校正使用事先標(biāo)定好的相機(jī)內(nèi)參矩陣和畸變系數(shù)調(diào)用OpenCV的cv2.undistort()函數(shù)消除鏡頭畸變。這是后續(xù)所有幾何計(jì)算如測(cè)距準(zhǔn)確的前提。ROI區(qū)域裁剪小車的攝像頭通常向前下方安裝圖像上半部分很多是無(wú)關(guān)的天空或天花板。我們根據(jù)攝像頭安裝的俯仰角動(dòng)態(tài)計(jì)算一個(gè)感興趣區(qū)域ROI只對(duì)這部分圖像進(jìn)行處理減少了近30%的計(jì)算量。顏色空間轉(zhuǎn)換與閾值分割這是識(shí)別特定目標(biāo)比如賽道的綠色引導(dǎo)線、紅色的停止標(biāo)志的關(guān)鍵。我們并沒有簡(jiǎn)單地在RGB空間做閾值分割因?yàn)镽GB對(duì)光照太敏感。對(duì)于車道線我們轉(zhuǎn)換到HSV顏色空間針對(duì)黃色的色調(diào)H和飽和度S設(shè)定閾值對(duì)亮度的變化相對(duì)魯棒。# 示例提取黃色車道線 hsv cv2.cvtColor(roi_image, cv2.COLOR_BGR2HSV) lower_yellow np.array([20, 100, 100]) # 注意OpenCV中H范圍是0-180 upper_yellow np.array([30, 255, 255]) mask_yellow cv2.inRange(hsv, lower_yellow, upper_yellow)降噪與形態(tài)學(xué)操作閾值分割后的二值圖像通常有很多噪聲點(diǎn)。我們先后使用了中值濾波去除椒鹽噪聲以及開運(yùn)算先腐蝕后膨脹來(lái)斷開細(xì)小的連接、消除小的噪點(diǎn)同時(shí)閉運(yùn)算先膨脹后腐蝕來(lái)填充目標(biāo)內(nèi)部的小孔洞。這個(gè)順序和核的大小需要根據(jù)實(shí)際場(chǎng)景微調(diào)。3.2 特征提取從像素到?jīng)Q策信息預(yù)處理后我們得到了干凈的二值圖像。接下來(lái)需要從中提取出可供決策的量化特征。對(duì)于車道線我們采用“滑動(dòng)窗口”法。將圖像在垂直方向上分成若干水平條帶在每個(gè)條帶中對(duì)二值圖像的非零像素點(diǎn)進(jìn)行直方圖統(tǒng)計(jì)找到像素分布的中心點(diǎn)作為該條帶中車道線的位置。將這些中心點(diǎn)連接起來(lái)就得到了車道線的擬合曲線。同時(shí)我們計(jì)算曲線的曲率用于判斷前方是直道還是彎道。對(duì)于障礙物我們使用了背景減除與輪廓檢測(cè)的方法。對(duì)于靜態(tài)或緩動(dòng)障礙物通過(guò)比較連續(xù)幀間圖像的變化或使用更高級(jí)的MOG2背景減除器得到運(yùn)動(dòng)前景掩膜。然后使用cv2.findContours()查找輪廓并計(jì)算每個(gè)輪廓的外接矩形。矩形的底邊中心點(diǎn)的x坐標(biāo)決定了障礙物相對(duì)于小車中心的橫向偏移矩形的高度和攝像頭標(biāo)定參數(shù)可以結(jié)合估算出障礙物的距離。對(duì)于特定目標(biāo)如二維碼、AprilTag我們集成了apriltag庫(kù)。這類視覺標(biāo)簽提供了精準(zhǔn)的6自由度位姿估計(jì)。我們通過(guò)檢測(cè)標(biāo)簽的ID可以直接知道小車相對(duì)于某個(gè)已知標(biāo)簽的位置和朝向這對(duì)于實(shí)現(xiàn)精確定位和導(dǎo)航任務(wù)如走到某個(gè)指定貨架前非常有用。3.3 視覺里程計(jì)輔助彌補(bǔ)編碼器的不足純依靠輪式編碼器推算里程計(jì)Odometry在打滑、空轉(zhuǎn)時(shí)會(huì)有累積誤差。我們實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的視覺里程計(jì)VO模塊作為補(bǔ)充。它并不進(jìn)行復(fù)雜的特征點(diǎn)匹配與優(yōu)化那太耗資源而是采用LK光流法跟蹤圖像中的角點(diǎn)特征估算出相鄰幀間小車的旋轉(zhuǎn)和平移運(yùn)動(dòng)。雖然精度不如專業(yè)的V-SLAM但將其結(jié)果與編碼器數(shù)據(jù)進(jìn)行簡(jiǎn)單的卡爾曼濾波融合能顯著提高在光滑地面急轉(zhuǎn)彎時(shí)的位姿估計(jì)精度成本幾乎為零。4. 決策規(guī)劃與控制實(shí)現(xiàn)有了視覺提供的“環(huán)境感知”小車的大腦需要決定“怎么走”。4.1 基于視覺的局部路徑規(guī)劃我們的路徑規(guī)劃器非常簡(jiǎn)單高效因?yàn)樗o密依賴視覺輸入。決策節(jié)點(diǎn)訂閱視覺處理節(jié)點(diǎn)發(fā)布的幾個(gè)關(guān)鍵信息lane_center: 當(dāng)前幀中車道線中心的x坐標(biāo)圖像坐標(biāo)系。obstacles_list: 一個(gè)列表包含每個(gè)檢測(cè)到的障礙物的距離和橫向位置。free_space_boundary: 通過(guò)視覺可通行區(qū)域分析得到的左右邊界。規(guī)劃器的工作流如下首選跟蹤車道線如果檢測(cè)到清晰的車道線則將lane_center作為目標(biāo)點(diǎn)計(jì)算小車當(dāng)前中心與目標(biāo)點(diǎn)的橫向偏差cross_track_error。動(dòng)態(tài)避障邏輯如果檢測(cè)到前方有障礙物則進(jìn)入避障模式。規(guī)劃器會(huì)根據(jù)障礙物的位置和大小在free_space_boundary限定的范圍內(nèi)重新計(jì)算一個(gè)臨時(shí)目標(biāo)點(diǎn)。例如障礙物偏左我們就生成一個(gè)略微偏右的路徑點(diǎn)讓小車?yán)@行。這里我們采用了“虛擬勢(shì)場(chǎng)”的簡(jiǎn)化思想障礙物產(chǎn)生斥力車道中心產(chǎn)生引力合力方向就是小車的期望行進(jìn)方向?；謴?fù)策略繞過(guò)障礙物后規(guī)劃器會(huì)持續(xù)檢查是否重新檢測(cè)到車道線并平滑地切換回車道跟蹤模式避免劇烈轉(zhuǎn)向。4.2 雙閉環(huán)PID速度控制決策規(guī)劃器輸出的是期望的航向或橫向位置最終需要轉(zhuǎn)化為左右輪的速度指令。我們采用了兩層PID控制。內(nèi)環(huán)輪速PID閉環(huán)這是最底層、最關(guān)鍵的環(huán)。motor_driver_node訂閱到目標(biāo)速度target_speed_left,target_speed_right后將其與編碼器實(shí)時(shí)反饋的實(shí)際速度進(jìn)行比較通過(guò)PID控制器計(jì)算PWM占空比的調(diào)整量。# 偽代碼示例 class WheelPIDController: def __init__(self, kp, ki, kd): self.kp, self.ki, self.kd kp, ki, kd self.integral 0 self.prev_error 0 def compute(self, target_speed, current_speed, dt): error target_speed - current_speed self.integral error * dt derivative (error - self.prev_error) / dt output self.kp * error self.ki * self.integral self.kd * derivative self.prev_error error # 限制輸出范圍對(duì)應(yīng)PWM占空比 return max(min(output, MAX_PWM), -MAX_PWM)這個(gè)環(huán)保證了即使負(fù)載變化、電池電壓下降每個(gè)輪子也能精確地以指定速度轉(zhuǎn)動(dòng)這是小車走直線、精準(zhǔn)轉(zhuǎn)彎的基礎(chǔ)。參數(shù)kp, ki, kd需要在小車空載和負(fù)載情況下分別調(diào)試找到一個(gè)平衡點(diǎn)。外環(huán)航向PID閉環(huán)決策節(jié)點(diǎn)計(jì)算出橫向偏差cross_track_error后將其輸入另一個(gè)PID控制器其輸出是左右輪的速度差speed_diff。例如當(dāng)小車偏右時(shí)誤差為正控制器會(huì)輸出一個(gè)正的速度差讓左輪稍快于右輪從而向左修正航向。 最終左右輪的目標(biāo)速度由基礎(chǔ)速度和速度差共同決定target_speed_left base_speed speed_diff / 2target_speed_right base_speed - speed_diff / 2這種雙環(huán)結(jié)構(gòu)內(nèi)環(huán)抗干擾保證執(zhí)行精度外環(huán)糾偏保證方向正確是小車穩(wěn)定運(yùn)行的核心。5. 工程實(shí)現(xiàn)中的關(guān)鍵坑點(diǎn)與優(yōu)化把算法跑通只是第一步讓它在樹莓派上穩(wěn)定、實(shí)時(shí)地運(yùn)行才是真正的挑戰(zhàn)。5.1 樹莓派上的性能優(yōu)化實(shí)戰(zhàn)樹莓派4B的CPU是ARM架構(gòu)單核性能有限。我們的視覺處理節(jié)點(diǎn)最初用純PythonOpenCV寫處理一幀640x480的圖像要接近200ms根本無(wú)法實(shí)時(shí)。優(yōu)化1算法層面精簡(jiǎn)堅(jiān)決使用ROI減少處理像素。將彩色圖像轉(zhuǎn)換和閾值化等操作從使用cv2.cvtColor和cv2.inRange改為直接使用NumPy的向量化操作速度提升明顯。對(duì)于滑動(dòng)窗口找車道線不是每一幀都從頭開始搜索。如果上一幀找到了可靠的車道線下一幀就在其附近一個(gè)小的鄰域內(nèi)搜索這叫“搜索窗引導(dǎo)”大幅減少了計(jì)算量。優(yōu)化2利用硬件加速這是最關(guān)鍵的一步。樹莓派的GPUVideoCore VI雖然不能用于通用計(jì)算但可以通過(guò)picamera庫(kù)的array輸出并設(shè)置use_video_portTrue讓圖像數(shù)據(jù)直接通過(guò)GPU的硬件編碼通道傳遞到內(nèi)存效率遠(yuǎn)高于CPU處理。此外OpenCV的一些操作如resize,cvtColor在編譯時(shí)如果開啟了NEONARM的SIMD指令集支持也會(huì)自動(dòng)加速。我們使用的官方Raspbian系統(tǒng)自帶的OpenCV通常已包含這些優(yōu)化。優(yōu)化3多進(jìn)程與消息隊(duì)列Python的GIL限制了多線程對(duì)CPU密集型任務(wù)的加速。我們將最耗時(shí)的視覺處理部分如AprilTag檢測(cè)、光流計(jì)算封裝成獨(dú)立的函數(shù)使用Python的multiprocessing模塊放到另一個(gè)進(jìn)程中運(yùn)行。主進(jìn)程通過(guò)隊(duì)列multiprocessing.Queue傳遞圖像數(shù)據(jù)并獲取結(jié)果。這樣可以利用樹莓派的四核CPU將幀率從5FPS提升到了15FPS以上滿足了實(shí)時(shí)性要求。5.2 傳感器同步與數(shù)據(jù)融合的陷阱視覺和編碼器是不同頻率的數(shù)據(jù)源。攝像頭可能是30FPS編碼器讀取可能是100Hz。直接使用最新數(shù)據(jù)會(huì)導(dǎo)致控制抖動(dòng)。我們的解決方案是時(shí)間戳對(duì)齊與插值。所有消息都帶有ROS的header.stamp時(shí)間戳。在決策節(jié)點(diǎn)中我們維護(hù)一個(gè)短暫的里程計(jì)數(shù)據(jù)緩存。當(dāng)收到一幀視覺處理結(jié)果時(shí)我們根據(jù)這幀圖像的時(shí)間戳在里程計(jì)緩存中找到時(shí)間最接近的里程計(jì)數(shù)據(jù)或者對(duì)前后兩個(gè)里程計(jì)數(shù)據(jù)進(jìn)行線性插值得到一個(gè)“同步”后的位姿估計(jì)用于當(dāng)前的路徑規(guī)劃。這大大提高了多傳感器數(shù)據(jù)的一致性。5.3 電源管理與突發(fā)負(fù)載應(yīng)對(duì)在調(diào)試過(guò)程中我們多次遇到小車在電機(jī)啟動(dòng)或急轉(zhuǎn)彎時(shí)樹莓派重啟的情況。排查后發(fā)現(xiàn)即使使用了獨(dú)立電源電機(jī)驅(qū)動(dòng)板的大電流瞬間仍會(huì)通過(guò)地線引入噪聲影響樹莓派的電源穩(wěn)定性。最終解決方案電源隔離在電機(jī)驅(qū)動(dòng)板的電源輸入端并聯(lián)一個(gè)大容量如1000uF的電解電容用于吸收電機(jī)啟停時(shí)的瞬時(shí)大電流沖擊。信號(hào)隔離在樹莓派GPIO與電機(jī)驅(qū)動(dòng)板PWM/方向信號(hào)線之間加入了光耦隔離模塊。這樣電機(jī)側(cè)的電氣噪聲就被完全隔絕了。樹莓派穩(wěn)壓給樹莓派供電的鋰電池輸出端接了一個(gè)高品質(zhì)的DC-DC降壓穩(wěn)壓模塊確保即使電池電壓波動(dòng)供給樹莓派的也是穩(wěn)定的5V。經(jīng)過(guò)這些硬件層面的加固后系統(tǒng)再也沒有出現(xiàn)過(guò)因電源問(wèn)題導(dǎo)致的異常。6. 代碼結(jié)構(gòu)說(shuō)明與快速上手開源代碼倉(cāng)庫(kù)包含了完整的項(xiàng)目結(jié)構(gòu)清晰。這里簡(jiǎn)要說(shuō)明核心部分。vision_robot/ ├── launch/ # ROS啟動(dòng)文件 │ └── robot_bringup.launch # 一鍵啟動(dòng)所有節(jié)點(diǎn) ├── src/ │ ├── camera_driver/ # 攝像頭驅(qū)動(dòng)節(jié)點(diǎn) │ ├── vision_processing/ # 視覺處理節(jié)點(diǎn)核心算法 │ ├── decision_control/ # 決策與控制節(jié)點(diǎn) │ └── motor_driver/ # 電機(jī)驅(qū)動(dòng)與PID控制節(jié)點(diǎn) ├── config/ # 參數(shù)配置文件PID參數(shù)、顏色閾值等 ├── scripts/ # 實(shí)用腳本相機(jī)標(biāo)定、測(cè)試腳本 └── README.md # 詳細(xì)的編譯與運(yùn)行指南快速上手步驟硬件組裝按照文檔連接樹莓派、攝像頭、電機(jī)驅(qū)動(dòng)板、編碼器和電池。確保電源隔離措施到位。系統(tǒng)燒錄與配置在樹莓派上安裝Ubuntu Server 20.04或Raspbian然后安裝ROS Noetic。克隆我們的代碼倉(cāng)庫(kù)到~/catkin_ws/src目錄下。依賴安裝運(yùn)行install_dependencies.sh腳本它會(huì)安裝OpenCV、AprilTag庫(kù)等必要的軟件包。參數(shù)校準(zhǔn)這是最重要的一步。相機(jī)標(biāo)定使用scripts/calibrate_camera.py腳本打印一張棋盤格拍攝多角度照片完成標(biāo)定生成的內(nèi)參文件保存到config/。顏色閾值調(diào)整運(yùn)行scripts/color_threshold_adjuster.py這是一個(gè)圖形化工具可以實(shí)時(shí)調(diào)整HSV閾值直到能穩(wěn)定識(shí)別出你的賽道顏色或目標(biāo)顏色將參數(shù)保存。PID參數(shù)整定這是調(diào)車的過(guò)程。先調(diào)內(nèi)環(huán)輪速PID讓小車懸空分別給左右輪一個(gè)固定速度指令觀察實(shí)際速度是否能快速、無(wú)靜差地跟上。再調(diào)外環(huán)航向PID讓小車在地上跑觀察其跟蹤車道線的能力適當(dāng)調(diào)整參數(shù)。啟動(dòng)運(yùn)行所有參數(shù)配置好后一個(gè)命令啟動(dòng)所有功能roslaunch vision_robot robot_bringup.launch。小車就會(huì)開始基于視覺進(jìn)行自主運(yùn)行了。這個(gè)項(xiàng)目從硬件選型到軟件調(diào)試完整地走通了一個(gè)智能視覺小車的開發(fā)流程。它可能不是性能最強(qiáng)的但一定是細(xì)節(jié)最豐富、坑點(diǎn)提示最全的參考之一。希望這份代碼和詳細(xì)的方案說(shuō)明能幫你更快地啟動(dòng)自己的移動(dòng)機(jī)器人項(xiàng)目把時(shí)間花在更有創(chuàng)造性的算法改進(jìn)上而不是在基礎(chǔ)框架和硬件調(diào)試上反復(fù)踩坑。