RoboMaster 2019 击打哨兵
RoboMaster2019中部地区赛结束后，我们学校拿到了年度总决赛的晋级资格。不过如果想要在总决赛更进一步，很多功能都需要完善，尤其是自动瞄准功能。队长找到我，希望我能够帮助视觉部，完善自动瞄准。看到他们今年有如此巨大的进步，我也很愿意帮助他们再上一层楼。本文主要介绍我设计的第一版英雄打哨兵方案。
在RoboMaster比赛中，哨兵作为基地的守卫，可以决定一局比赛的胜负。哨兵在一段固定的轨道上运动，今年规则虽然限制了底盘功率为30W，但是强队仍然可以做到相当快的移动速度，对于操作手来说，仅仅依靠手瞄击打是很困难的。英雄机器人虽然在今年被削弱了很多，但仍然是比赛里最强的输出单元，可以发射一发100伤害的大弹丸，是击打哨兵最有效率的单位。英雄打哨兵的主要困难点在于，由于枪口热量的限制，英雄无法连续发射弹丸，因此只有每一发都击中哨兵，才能实现高效率的击打。
第一版选择了最容易实现的方案。环境假设如下：
- 哨兵在轨道上不断往复运动
- 英雄固定在碉堡区域
- 操作手手动选择击打位置
- 由自动程序选择击打时机
如图，建立模型：
在t时刻，哨兵正沿轨道以v的速度运动，程序需要判断击打的时机是否合适。如果击打时机合适，在t‘时刻，弹丸就会刚好击打到哨兵。所以接下来需要解决的就是如何测量运动速度v和判断当前时间t是否合适。
如图，哨兵的运动可以近似看做一个正弦曲线：
图中横坐标表示时间，纵坐标表示位置，橙色线代表英雄机器人瞄准的位置。在橙色线附件，哨兵的运动可以近似看作匀速运动，这样就可以通过线性回归来测量速度v了。另一方面，如果想要刚好击打到哨兵，就需要在t‘时刻哨兵刚好到瞄准的位置，而t’时刻又由t时刻、摄像头延迟 $t_{camera}$、图像处理延迟 $t_{process}$、机器人发射延迟 $t_{shoot}$和弹丸飞行时间 $t_{fly}$决定。因此，判断的标准就是如下等式：
\[x_t + v \times (t_{camera} + t_{process} + t_{shoot} + t_{fly}) = x_{t'}\]其中 $x_t, v$ 都需要在实际情况中测量，$x_{t’}$是事先设定好的。$t_{camera}, t_{shoot}$ 需要事先测量好，$t_{process}, t_{fly}$ 需要实时计算。
当然，在现实中，不可能完全相等，因此程序中真实的触发条件是误差小于一定范围：
\[| x_t + v \times (t_{camera} + t_{process} + t_{shoot} + t_{fly}) - x_{t'}| < \epsilon\]这些都是理论上的推导，实际中最大的问题其实是延迟的不稳定。
- $t_{camera}$的值很稳定，而且可以通过摄像头拍秒表的方式精确测量，我们测下来大概在 80 ms。
- $t_{process}$的值视算法而定，如果用传统算法，可能会因为环境的不同，处理时间不同；如果用深度学习，由于模型确定，处理时间也确定。不过，可以通过记录系统时间的办法精确测量出 $t_{process}$ 的值，我们在二代妙算上使用深度学习，大约为 30 ms。
- $t_{shoot}$的值就比较麻烦了，典型值在 100 - 200 ms，但是变动非常大。这个就需要机械和电控的同学帮忙，首要任务是减小方差，尽量稳定在一个值，否则视觉算法再好也无能为力。
- $t_{fly}$ 也很麻烦，因为这个值由两个量决定，距离和弹丸速度。距离可以通过视觉算法测量，也可以通过固定位置来固定一个值，通常在 2 m 左右。弹丸速度一般在 15 - 20 m/s，算上距离，延迟就是 100 - 133 ms，距离越远，延迟越大，而且越不稳定。这里也是需要机械和电控的同学配合，尽量稳定弹丸速度。
如果能准确测量出各种延时，并且控制好延时的方差，就可以完成打哨兵的任务了，我们的测试视频如下：
总结起来，难点不在于延迟太大，而在于延迟不稳定。延迟不稳定主要来源于发射部分，需要机械和电控部分的全力配合。视觉算法的首要任务其实不是减低计算时间，而是提高识别的稳定性，保证每次都能识别到哨兵，才能计算出速度。