2025年第27届中国机器人及人工智能大赛自主巡航实战经验分享

2. 视觉自适应增强

不同场地光照差异很大，这段代码可以自动调整图像处理参数

def adaptive_image_processing(image): """根据图像特性自动调整处理参数""" # 计算图像亮度直方图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) hist = cv2.calcHist([gray], [0], None, [256], [0, 256]) # 计算亮度均值和标准差 mean_brightness = np.mean(gray) std_brightness = np.std(gray) # 根据亮度特性调整参数 if mean_brightness < 80: # 低光环境 alpha = 1.5 # 增加对比度 beta = 25 # 增加亮度 elif mean_brightness > 180: # 高光环境 alpha = 0.7 # 降低对比度 beta = -20 # 降低亮度 else: # 正常光照 alpha = 1.0 beta = 0 # 应用亮度调整 adjusted = cv2.convertScaleAbs(image, alpha=alpha, beta=beta) # 光照均衡化处理 if std_brightness > 60: # 光照不均匀 # 转到LAB色彩空间进行亮度均衡化 lab = cv2.cvtColor(adjusted, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) cl = clahe.apply(l) merged = cv2.merge((cl, a, b)) return cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) else: return adjusted

这个函数在我们决赛中立了大功，解决了场馆顶部射灯照射导致的图像过曝问题。

三、核心算法实战选择

SLAM定位算法

我们测试过三种主流SLAM算法的性能表现

实战经验： 正式比赛我们用Cartographer，虽然占用资源多，但闭环检测能力强，精度高。关键参数调优是：

# cartographer.lua中的关键参数 TRAJECTORY_BUILDER_2D.submaps.num_range_data = 80 # 减小以降低延迟 TRAJECTORY_BUILDER_2D.min_range = 0.15 # 设置为激光雷达最小值 TRAJECTORY_BUILDER_2D.max_range = 12.0 # 设置为激光雷达最大值 TRAJECTORY_BUILDER_2D.missing_data_ray_length = 5.0 # 处理遮挡 POSE_GRAPH.optimization_problem.huber_scale = 1e2 # 提高优化稳定性 POSE_GRAPH.constraint_builder.min_score = 0.55 # 提高约束阈值

视觉识别方案

不要迷信单一的深度学习模型，我们的最佳方案是多模型融合：

def ensemble_prediction(image): """多模型融合预测""" # 使用不同模型进行预测 yolo_results = yolo_model.predict(image) resnet_results = resnet_model.predict(image) # 目标检测结果融合 all_boxes = [] # 添加YOLO检测框 for det in yolo_results: x1, y1, x2, y2 = det['bbox'] confidence = det['confidence'] * 0.6 # YOLO权重 label = det['class'] all_boxes.append([x1, y1, x2, y2, confidence, label]) # 添加ResNet检测框 for det in resnet_results: x1, y1, x2, y2 = det['bbox'] confidence = det['confidence'] * 0.4 # ResNet权重 label = det['class'] all_boxes.append([x1, y1, x2, y2, confidence, label]) # 非极大值抑制 final_boxes = non_maximum_suppression(all_boxes, 0.5) # 标签投票 final_results = [] for box_group in final_boxes: # 计算平均边界框 avg_box = calculate_average_box(box_group) # 标签投票 labels = [b[5] for b in box_group] label = most_common(labels) # 计算置信度 confidence = sum([b[4] for b in box_group]) final_results.append({ 'bbox': avg_box, 'class': label, 'confidence': confidence }) return final_results

这种多模型融合方法在不稳定光照条件下识别率要高15%左右，虽然计算开销大了点，但值得。

 四、导航平滑性优化

速度平滑滤波器

导航卡顿的核心问题是速度命令变化过于剧烈。我们实现了一种基于双指数平滑的速度命令过滤器：

class VelocityFilter { public: VelocityFilter(double alpha = 0.3, double beta = 0.1) : alpha_(alpha), beta_(beta), s_x_(0), s_y_(0), s_theta_(0), b_x_(0), b_y_(0), b_theta_(0), initialized_(false) {} geometry_msgs::Twist filter(const geometry_msgs::Twist& raw_cmd) { if (!initialized_) { // 初始化 s_x_ = raw_cmd.linear.x; s_y_ = raw_cmd.linear.y; s_theta_ = raw_cmd.angular.z; b_x_ = 0; b_y_ = 0; b_theta_ = 0; initialized_ = true; return raw_cmd; } // 双指数平滑滤波器 // 更新级数项 double s_x_prev = s_x_; double s_y_prev = s_y_; double s_theta_prev = s_theta_; s_x_ = alpha_ * raw_cmd.linear.x + (1 - alpha_) * (s_x_prev + b_x_); s_y_ = alpha_ * raw_cmd.linear.y + (1 - alpha_) * (s_y_prev + b_y_); s_theta_ = alpha_ * raw_cmd.angular.z + (1 - alpha_) * (s_theta_prev + b_theta_); // 更新趋势项 b_x_ = beta_ * (s_x_ - s_x_prev) + (1 - beta_) * b_x_; b_y_ = beta_ * (s_y_ - s_y_prev) + (1 - beta_) * b_y_; b_theta_ = beta_ * (s_theta_ - s_theta_prev) + (1 - beta_) * b_theta_; // 构造平滑后的速度命令 geometry_msgs::Twist filtered_cmd; filtered_cmd.linear.x = s_x_ + b_x_; filtered_cmd.linear.y = s_y_ + b_y_; filtered_cmd.angular.z = s_theta_ + b_theta_; return filtered_cmd; } private: double alpha_; // 数据项权重 double beta_; // 趋势项权重 // 平滑值 double s_x_, s_y_, s_theta_; // 趋势值 double b_x_, b_y_, b_theta_; bool initialized_; };

 TEB参数优化

通过对比测试，我们总结出一套最优的TEB局部规划器参数：

TebLocalPlannerROS: # 机器人配置 max_vel_x: 0.35 max_vel_x_backwards: 0.1 max_vel_y: 0.35 max_vel_theta: 0.8 acc_lim_x: 0.2 acc_lim_y: 0.2 acc_lim_theta: 0.3 min_turning_radius: 0.0 # 轨迹配置 teb_autosize: True dt_ref: 0.4 dt_hysteresis: 0.1 global_plan_overwrite_orientation: True max_global_plan_lookahead_dist: 2.0 feasibility_check_no_poses: 5 # 优化配置 no_inner_iterations: 5 no_outer_iterations: 4 penalty_epsilon: 0.05 weight_max_vel_x: 1.0 weight_max_vel_y: 1.0 weight_max_vel_theta: 1.0 weight_acc_lim_x: 2.0 weight_acc_lim_y: 2.0 weight_acc_lim_theta: 2.0 weight_kinematics_nh: 1000.0 weight_kinematics_forward_drive: 100.0 weight_optimaltime: 1.0 weight_obstacle: 50.0 weight_inflation: 0.1 # 平滑参数（关键部分） weight_adapt_factor: 2.0 enable_homotopy_class_planning: False simple_exploration: False

在比赛间隙调整这些参数时，我习惯按照这个顺序调整：先调速度限制，再调加速度限制，然后是权重参数。最关键的三个参数是weight_kinematics_forward_drive、weight_obstacle和acc_lim_theta。

五、实战踩坑与应对

1. 机械结构问题

第一年比赛，我们的摄像头固定方式太简单，用的3D打印支架。结果比赛中底盘急停导致摄像头大幅晃动，视觉识别全乱了。

解决方案： 第二年改用铝合金框架 + 减震垫，效果好很多。记住一点：不要低估机械振动对传感器的影响。

2. 光照变化

比赛场地光照往往是最大变数。记得去年西安的比赛，场馆靠窗一侧阳光直射，另一侧则很暗。

解决方案：

• 视觉算法做好自适应处理
• 提前20分钟进场调试
• 准备多套参数配置，快速切换

3. 定位丢失

导航过程中定位丢失是常见问题。一个队友不小心走进场地或者场地有高反光材料，都可能导致定位失败。

def emergency_relocation(): """定位丢失应急处理""" # 1. 停止当前导航 stop_navigation() # 2. 切换为原地旋转模式采集数据 cmd_vel = rospy.Publisher('/cmd_vel', Twist, queue_size=1) twist = Twist() twist.angular.z = 0.5 # 缓慢旋转 # 发送旋转命令5秒 start_time = rospy.Time.now() rate = rospy.Rate(10) while (rospy.Time.now() - start_time).to_sec() < 5.0: cmd_vel.publish(twist) rate.sleep() # 3. 停止旋转 twist.angular.z = 0.0 cmd_vel.publish(twist) # 4. 尝试使用特征点匹配重定位 success = feature_based_relocalization() if success: rospy.loginfo("重定位成功，继续导航") resume_navigation() else: rospy.logwarn("重定位失败，切换到紧急模式") switch_to_emergency_mode()

六、总结与建议

如果让我给参加自主巡航项目的同学们一些建议，那就是：

1. 基础分最重要：确保导航稳定可靠，拿到60分基础分，再追求更高分数
2. 系统鲁棒性大于算法先进性：算法再先进，如果不够稳定，在比赛中也会翻车
3. 充分测试各种极端情况：刻意制造干扰和异常，测试系统恢复能力
4. 做好知识积累和经验传承：记录所有问题和解决方案，避免后来者重复踩坑

技术上，我的几点关键建议：

• 多传感器融合是解决单一传感器不稳定的最佳方案
• 参数自适应比固定参数在实际比赛中可靠得多
• 故障容错机制是区分一般队伍和优秀队伍的关键

最后，希望大家都能享受这个比赛带来的技术挑战！我当年就是在比赛中学到了很多东西，今年我依旧会来参加今年的比赛，如果需要去年的工作空间或者今年的指导私聊博主,非常感谢！！！