# 2023-NUEDC-Project

**Repository Path**: zilin-wang/2023-nuedc-project

## Basic Information

- **Project Name**: 2023-NUEDC-Project
- **Description**: 本项目是2023年全国大学生电子设计竞赛E题的开源代码实现。它包含了基于OpenMV的视觉识别、STM32的运动控制。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-06-01
- **Last Updated**: 2025-06-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 2023年全国大学生电子设计竞赛 E题 运动目标控制与自动追踪系统

## 1. 简介

视觉和控制：王子林、陈璟文
硬件：钟雨欣

## 2. 系统架构

本项目实现了视觉感知与运动控制的闭环系统。其核心在于将OpenMV作为前端视觉信息采集与预处理单元，通过Python进行数据处理与误差计算，最终由STM32 微控制器执行精准的运动控制。

整个系统的工作流程可以概括为以下阶段：

1. 视觉初步提取: OpenMV 负责实时的图像采集与初步目标识别。它利用图像处理算法，识别并提取关键视觉目标（例如，激光点、矩形框等）。
2. 解析与决策: OpenMV 将处理后的目标信息（如像素坐标等），对这些原始数据进行解析、坐标变换及误差计算，生成激光当前状态与期望状态之间的偏差信息。
3. 控制指令传输: 计算出的控制误差通过通信（UART 串口）传递至STM32 微控制器。
4. 运动执行与反馈: STM32 微控制器作为底层驱动与任务执行核心，接收到上位机指令后，基于增量 PID 控制算法驱动舵机执行相应的运动。同时，它也负责管理其他硬件接口和功能模块完成预设任务。

### 2.1 视觉（Vision）
- 平台: OpenMV 
- 核心职能: 执行实时图像采集、轮廓检测及激光点提取。其目标是高效识别并定位关键目标（如红色或绿色激光点）。
- 关键程序:
    - red_laser_find.py: 专用于红色激光点的检测与定位主程序。
    - green_laser_track.py: 专用于绿色激光点的实时跟踪主程序。

### 2.2 运动控制（Control）
- 平台: STM32
- 核心职能: 执行激光点运动控制。
- 关键技术:
    - 增量 PID 控制: 实现对机器人底盘速度和位置的精确调节。
    - 硬件抽象层: 管理电机驱动、编码器反馈及其他外设接口。


## 3. 对代码的一些想法与展望

**比赛后的反思与不足**
回想起比赛，代码有几个地方值得深入反思：

- 视觉鲁棒性不足: 比赛现场光照复杂多变，我们当时依赖的纯颜色阈值分割方法，在实际应用中其环境适应性非常有限，很容易受到外界光线、阴影或背景颜色的干扰。这导致了目标识别的不稳定，直接影响了决策和行动精度。
- 卡尔曼滤波器的误用: 事后复盘发现，当时对卡尔曼滤波器的应用并未达到预期效果，甚至在某些情况下起到了反作用。我们原希望它能在目标短暂丢失后预测其位置，但实际效果不佳，可能是因为模型与实际目标运动不符，或参数未能有效调优。

**潜在的改进方向与未来展望**
基于这些不足，我认为未来的改进可以从以下几个方面入手：

1. 提升目标检测鲁棒性:
    - 多特征融合: 探索结合颜色、形状等多种视觉特征，而非单一依赖颜色，以增强识别的抗干扰能力。
2. 目标追踪与状态预测优化:
    - 决策而非单纯预测: 当目标短暂丢失时，可以设计基于规则或状态机的决策策略，例如让其停下来，并以最后已知位置为中心进行局部检测，而不是盲目地使用预测算法。这种策略可能比不完善的预测更有效、更安全。
    当然，如果目标检测自身就足够稳定和精准，几乎不存在丢失情况，那么上述的“丢失决策策略”就不再是首要考量。