机器人射击比赛算法实战：圆形靶、旋转靶与移动靶解决方案

1. 机器人射击比赛算法实战解析

作为一名参加过多次机器人射击比赛的选手，我想分享三种不同靶型的射击算法实现方案。这些算法在实际比赛中经过验证，能够稳定应对圆形靶、旋转靶和移动靶三种典型场景。本文将详细拆解每种算法的设计思路、核心代码和调参经验。

1.1 比赛环境与硬件配置

我们的射击机器人基于ROS系统搭建，主要硬件包括：

• 树莓派4B作为主控（运行Ubuntu 18.04 + ROS Melodic）
• 500万像素USB摄像头（分辨率640×480）
• 舵机控制的弹丸发射机构
• 双电机驱动的移动底盘

视觉处理使用OpenCV 4.5，AR码识别采用ar_track_alvar包。整个系统通过PID算法实现精准的运动控制，移动底盘的控制算法可以参考我之前写的自主巡航实现方案。

提示：在实际比赛中，建议提前2小时到场进行光照校准。场馆灯光条件可能影响颜色识别效果，我们曾因未做现场校准而在初赛失利。

1.2 算法整体设计思路

针对三种不同靶型，我们采用了差异化的解决方案：

2. 圆形靶射击算法实现

2.1 视觉检测方案

圆形靶检测的核心是稳定定位靶心坐标。我们放弃了传统的Hough圆检测，改用更可靠的"颜色过滤+横向扫描"方案：

python复制def circle_center(self):
    """改进版靶心检测算法"""
    if self.frame is None:
        return None

    # 颜色阈值处理（需现场校准）
    mask = cv2.inRange(image, np.array([104, 67, 0]), np.array([238, 89, 57]))
    
    # 形态学降噪
    kernel = np.ones((8, 8), np.uint8)
    closing = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)
    
    # ROI区域裁剪（提升处理速度）
    roi = closing[156:277, 245:357]  # 根据实际靶区调整
    roi = cv2.resize(roi, (640, 640))
    
    # 横向扫描定位中心
    centers = []
    for row in range(191, 264):  # 垂直方向扫描范围
        white_pixels = np.where(roi[row, :] == 255)[0]
        if len(white_pixels) > 0:
            left = white_pixels[0]
            right = white_pixels[-1]
            centers.append((left + right) / 2)
    
    # 采用众数确定最稳定中心
    if centers:
        from collections import Counter
        mode_x = Counter(centers).most_common(1)[0][0]
        return [mode_x, 200]  # 固定Y坐标
    return None

这个算法的优势在于：

1. 对部分遮挡有较强鲁棒性
2. 计算量远小于Hough变换
3. 通过众数滤波避免瞬时误检

实测发现：当光照强度变化超过30%时，需要重新校准颜色阈值。我们开发了自动阈值校准工具，可在比赛间隙快速完成调整。

2.2 PID控制参数整定

射击控制采用增量式PID算法，参数整定经验：

python复制def shoot_task_1(target_x, kp=-0.005, ki=-0.00002, kd=0):
    """PID参数说明：
    kp: 决定响应速度，过大会导致震荡
    ki: 消除静态误差，但会增加超调
    kd: 抑制 overshoot，但对噪声敏感"""
    
    error_sum = 0
    last_error = 0
    shot_count = 0
    
    while shot_count < 2:  # 最多射击2次
        center = cam.circle_center()
        if not center:
            continue
            
        # 增量式PID计算
        error = center[0] - target_x
        error_sum += error
        delta_error = error - last_error
        
        adjust = kp*error + ki*error_sum + kd*delta_error
        speed.angular.z = adjust * 0.5  # 阻尼系数
        
        # 稳定判断条件
        if abs(error) <= 7:  # ±7像素阈值
            stable_count += 1
            if stable_count >= 5:
                rospy.sleep(0.3)  # 射击前缓冲
                action.shoot(1)
                shot_count += 1
                rospy.sleep(1.5)  # 射击冷却
        else:
            stable_count = 0
            
        last_error = error

参数调优心得：

1. 先调kp使系统能快速响应但不震荡
2. 然后加少量ki消除稳态误差
3. 最后根据需要加kd抑制超调
4. 比赛现场建议准备3组预设参数应对不同场景

3. 旋转靶射击算法精解

3.1 AR码跟踪策略

旋转靶的关键在于实时跟踪AR码的二维运动：

python复制def shoot_task_2(ar_id):
    """旋转靶射击流程"""
    shoot_count = 0
    lost_count = 0
    
    while shoot_count < 3:
        ids, poses = cam.get_ar()
        
        if ar_id in ids:
            lost_count = 0
            idx = ids.index(ar_id)
            x, y = poses[idx][0]  # 2D坐标
            
            # 比例控制转向
            error = x - 301  # 中心点偏移量
            speed.angular.z = -error * 0.006  # P控制
            
            # 射击条件判断
            if abs(error) < 10 and 173 < y < 185:
                action.shoot(1)
                shoot_count += 1
                rospy.sleep(0.5)  # 后坐力缓冲
        else:
            lost_count += 1
            if lost_count > 10:
                break  # 目标丢失超时

我们通过实验发现：

• 比例系数0.006在转速30RPM时跟踪效果最佳
• Y轴范围限制可避免误射击非目标区域
• 射击间隔0.5s可确保发射机构复位

3.2 AR码处理优化

原始AR码数据需要经过坐标转换：

python复制def get_ar(self):
    """AR码数据处理优化"""
    if not hasattr(self, 'pose'):
        return [], []
    
    # 坐标归一化处理
    valid_poses = []
    for i in range(len(self.id)):
        x = self.pose[i][0][0] * 0.8 + 120  # 线性校正
        y = self.pose[i][0][1] * 0.75 + 90
        valid_poses.append([[x,y], self.pose[i][1]])
    
    return self.id, valid_poses

注意：不同摄像头需要单独校准校正系数。我们开发了基于棋盘格的自动校准工具，可将识别误差控制在±3像素内。

4. 移动靶预测射击方案

4.1 3D运动趋势分析

移动靶射击需要预测目标运动趋势：

python复制def shoot_task_3(ar_id):
    """3D趋势预测算法"""
    history = deque(maxlen=5)  # 轨迹缓存
    shot_count = 0
    
    def ar_callback(msg):
        for marker in msg.markers:
            if marker.id == ar_id:
                pos = marker.pose.pose.position
                history.append((pos.x, time.time()))
    
    ar_sub = rospy.Subscriber('/ar_pose_marker', AlvarMarkers, ar_callback)
    
    while shot_count < 3:
        if len(history) >= 3:
            # 计算移动速度和加速度
            x1, t1 = history[-1]
            x2, t2 = history[-2]
            x3, t3 = history[-3]
            
            v1 = (x1 - x2) / (t1 - t2)
            v2 = (x2 - x3) / (t2 - t3)
            accel = (v1 - v2) / (t1 - t3)
            
            # 趋势判断
            if v1 * v2 > 0 and abs(accel) < 0.5:  # 同向匀速运动
                if -0.2334 < x1 < -0.22 and v1 < 0:  # 下降阶段
                    action.shoot(1)
                    shot_count += 1
                    rospy.sleep(1)

这个算法的创新点在于：

1. 使用滑动窗口分析运动状态
2. 通过速度符号判断运动方向
3. 加速度阈值过滤异常抖动

4.2 射击时机的选择

我们总结了最佳射击时机的判断条件：

实验表明，在匀速运动阶段射击成功率最高。我们因此在代码中设置了加速度阈值（abs(accel)<0.5）来捕捉匀速阶段。

5. 常见问题与调试技巧

5.1 视觉检测问题排查

问题现象：圆形靶检测不稳定

• 检查项：
  1. 光照条件是否变化（用cv2.mean()检测画面亮度）
  2. 颜色阈值是否合适（实时显示mask观察）
  3. ROI区域是否包含完整靶标

问题现象：AR码识别延迟

• 优化方案：
  1. 降低相机分辨率到320×240
  2. 设置rospy.Subscriber的queue_size=1
  3. 在AR码周围设置ROI

5.2 运动控制问题处理

异常情况：机器人持续震荡

• 解决方案：
  1. 降低PID的kp值（每次减半调试）
  2. 增加低通滤波（如：current_error = 0.8error + 0.2last_error）
  3. 检查电机响应延迟

异常情况：射击后姿态失控

• 应对措施：
  1. 射击后添加0.5秒稳定等待
  2. 在action.shoot()中加入反冲补偿
  3. 降低底盘重心提升稳定性

5.3 比赛实战经验

1. 准备三套参数配置应对不同光照
2. 赛前1小时禁用自动更新（避免驱动不兼容）
3. 携带备用摄像头和USB集线器
4. 编写快速校准脚本（./calibrate.sh）
5. 为关键进程设置看门狗（自动重启崩溃的服务）

我们在区域赛中曾因USB供电不足导致摄像头频繁掉线，后来改用独立供电的USB集线器解决了这个问题。建议所有关键设备都采用独立供电方案。