Skip to content
This repository was archived by the owner on Feb 26, 2026. It is now read-only.

Latest commit

 

History

History
132 lines (98 loc) · 6.72 KB

README.md

File metadata and controls

132 lines (98 loc) · 6.72 KB

RM-Hunter: 基于昇腾 Atlas 200I DK 的 RoboMaster 智能自瞄系统

RoboMasterHardwareFrameworkLicense

📖 项目简介

RM-Hunter 是一个专为 RoboMaster 机器人设计的、运行在华为昇腾 Atlas 200I DK A2 开发者套件上的高级自主瞄准解决方案。本项目通过串口接收指令，能够实时检测并攻击指定颜色的装甲板，实现了从目标检测、追踪、筛选到云台控制的全流程闭环。

该系统不仅集成了基于YOLO的深度学习检测模型，还通过卡尔曼滤波器（Kalman Filter）对目标进行稳定追踪和运动预测，并设计了一套智能评分系统来选择最优攻击目标。

✨ 核心特性

  • 硬件平台: 完全基于华为昇腾 Atlas 200I DK A2 NPU进行加速，性能强大。
  • 指令式启动: 通过串口通信接收外部指令（如来自裁判系统或遥控器），启动并切换攻击任务（攻击红方或蓝方）。
  • 实时目标检测: 使用高性能的 .om 格式AI模型，实时检测画面中的装甲板。
  • 智能追踪与预测:
    • 卡尔曼滤波器(Kalman Filter): 对目标位置进行平滑滤波和速度估计，有效抑制画面抖动，实现稳定追踪。
    • 运动预测: 根据目标速度预测下一时刻的位置，提前量瞄准，提高命中率。
  • 颜色动态识别: 在锁定目标后，通过HSV色彩空间分析，动态确认装甲板的红/蓝属性，避免误识别。
  • 高级目标选择:
    • 综合评分系统: 结合目标的距离、角度、面积三大要素，为每个潜在目标计算得分。
    • 粘性锁定: 优先锁定当前目标，只有当新目标的评分显著高于当前目标时才进行切换，避免云台频繁晃动。
  • 精准云台控制:
    • PID + 前馈控制: 结合PID反馈控制和基于目标速度的前馈控制，使云台能够快速、精准地跟上目标。
  • 健壮的状态机: 拥有巡逻(IDLE)、搜索(SEARCHING)、**追踪(TRACKING)和惯性追踪(COASTING)**等清晰的状态，使机器人在不同场景下（如目标丢失）都能做出合理响应。

🔧 项目结构

以下是项目的核心文件结构和说明：

.
├── 16.om                   # 核心物体检测模型文件
├── labels.txt              # 模型对应的标签文件
├── start.sh                # (核心) 主启动脚本
├── serial_listener.py      # (核心) 串口监听与任务分发服务
├── main_shoot_blue.py      # (核心) 攻击蓝色目标的任务脚本
├── main_shoot_red.py       # (核心) 攻击红色目标的任务脚本
├── autoaim.py              # (核心) 自瞄系统主模块，封装了所有功能接口
├── detector.py             # (核心) 检测与追踪器，负责目标处理、选择和绘制
├── config.py               # (核心) 全局配置文件(PID参数、路径、阈值等)
├── tracker.py              # (核心) 追踪器类，定义了卡尔曼滤波器和目标状态
├── utils.py                # 视觉和通用工具函数
├── det_utils.py            # 底层检测工具函数 (如NMS)
├── Calcu_distance_api.py   # 距离估算模块
└── GetZDgree_api.py        # 角度估算模块

🚀 安装与部署

1. 硬件要求

  • 计算平台: 华为昇腾 Atlas 200I DK A2
  • 机器人: 大疆 RoboMaster EP 或 EP Core
  • 摄像头: 标准USB摄像头

2. 环境准备

  • 确保您的 Atlas 200I DK 已正确安装昇腾的CANN工具包，并已配置好系统环境变量。
  • 本项目推荐在 Python 虚拟环境中运行。

3. 依赖安装

创建一个 requirements.txt 文件，内容如下：

numpy
opencv-python
pyserial
scipy

然后执行以下命令安装依赖：

# 激活你的Python虚拟环境
# source /path/to/your/venv/bin/activate

pip install -r requirements.txt

4. 模型与配置

  • 将 16.om 模型文件和 labels.txt 标签文件放置在项目根目录。
  • (重要) 根据您的实际情况修改 config.py 文件中的参数，例如：
    • DEFAULT_MODEL_PATH 和 DEFAULT_LABEL_PATH: 模型和标签文件的路径。
    • GIMBAL_YAW_KP_INIT, GIMBAL_PITCH_KP_INIT 等: 云台PID参数，需要根据机器人实际情况进行调试。
    • PIXEL_HEIGHT_AT_CALIBRATION_DISTANCE, CALIBRATION_DISTANCE_METERS: 用于距离估算的标定参数。

5. 启动程序

  1. 重命名启动脚本: 
    mv start.sh.txt start.sh
  2. 授予执行权限: 
    chmod +x start.sh
  3. 以管理员权限运行: 由于脚本需要操作底层硬件和服务，必须使用 sudo 运行。 
    sudo ./start.sh
    脚本将自动激活虚拟环境，加载环境变量，并启动 serial_listener.py 服务。

🎮 使用说明

  1. 连接串口: 将您的串口设备（如单片机、USB转TTL模块）连接到 Atlas 板的 /dev/ttyAMA0 接口。串口配置为 115200波特率, 8-N-1。
  2. 发送指令:
    • 攻击蓝色方: 通过串口发送字符串 "1"。
    • 攻击红色方: 通过串口发送字符串 "2"。
  3. 观察机器人: 程序启动后，机器人将进入巡逻状态。当接收到有效指令后，它会立即开始执行指定的攻击任务，自动寻找并射击目标。任务完成后，程序将自动退出。

💡 未来工作

  • 集成底盘控制: 实现基于目标位置的底盘跟随或躲避逻辑。
  • 弹道补偿: 加入更精确的弹道模型，根据目标距离补偿子弹重力下坠。
  • 多目标协同: 在多机器人场景下，实现目标分配与协同攻击。
  • Web监控界面: 开发一个简单的Web界面，用于实时查看摄像头画面、目标信息和系统状态。

🙏 致谢

本项目的状态机和多线程控制架构的设计灵感，来源于作者的另一个开源项目：FLL-AquaHunter。该项目是为 FIRST LEGO League (FLL) 机器人竞赛设计的，其中模块化的任务管理和事件驱动的思想在 RM-Hunter 中得到了继承和发展，以适应更复杂的实时对抗场景。

🤝 贡献

欢迎对本项目感兴趣的开发者提交 Pull Request 或在 Issues 中报告问题和提出建议。您的贡献将使这个项目变得更好！

📄 许可证

本项目采用 MIT License 开源。