我连续两届参加中国机器人及人工智能大赛自主巡航项目，都拿了国一。第一年其实是国二，第二年才摸到门道。回头想想，关键不在算法多高级，而是系统在真实环境里能不能稳稳跑完。
核心任务与理解
场地里那些任务牌看着简单，光照、角度一变，识别难度差很多。去年决赛有支队伍用了很精深的深度学习模型，现场光照不对，识别率掉到四成以下，基本任务都没走完。
任务分数拆解：
- 语音识别与播报（10 分）
- 三次任务点识别与到达（60 分）
- 终点到达（10 分）
- 技术文档（10 分）
60 分的基础分必须稳稳拿到，后面才有余量冲高分。
ROS 架构调整
第一年我们把所有功能塞进一个节点，调试简直噩梦。第二年改成多节点，感知、规划、控制拆开，用 ROS 消息通信。大概结构：
模块化之后，大家能并行开发，单元测试也好写了。找 bug 的效率至少提升了十倍。
激光数据预处理
激光雷达在反光、遮挡时经常出野值。下面这个过滤函数帮我们扛住了很多异常：
// 激光雷达数据异常处理函数
sensor_msgs::LaserScan filterScan(const sensor_msgs::LaserScan& scan) {
sensor_msgs::LaserScan filtered = scan;
// 1. 剔除无效值
for (size_t i = 0; i < scan.ranges.size(); i++) {
if (scan.ranges[i] < scan.range_min || scan.ranges[i] > scan.range_max || !std::isfinite(scan.ranges[i])) {
filtered.ranges[i] = scan.range_max; // 将无效值设为最大值
}
}
// 2. 中值滤波 (三点滑动窗口)
for (size_t i = 1; i < filtered.ranges.size() - 1; i++) {
std::vector<float> window = { filtered.ranges[i-1], filtered.ranges[i], filtered.ranges[i+1] };
std::sort(window.begin(), window.end());
filtered.ranges[i] = window[1];
}
( i = ; i < filtered.ranges.(); i++) {
diff = std::(filtered.ranges[i] - filtered.ranges[i]);
(diff > && filtered.ranges[i] > ) {
filtered.ranges[i] = filtered.ranges[i];
}
}
filtered;
}
