哈尔滨工业大学 竞技机器人队 视觉组

     雷达 📡

by zmsbruce

1. 简介 📓

代码包含目标的识别、定位和跟踪，目前不包括串口通信、相机 / LiDAR 驱动、自主决策、数据存取、UI。

• 识别 🔎：使用神经网络，根据相机传来的场地图像，对机器人和装甲板进行识别，得到机器人的矩形框和类别；

• 定位 🧭：利用激光雷达提供的点云信息，结合机器人的图像位置信息、相机与雷达的相对位置，以及雷达坐标和场地坐标的相对位置，来确定机器人在场地中的位置；

• 跟踪 👁️：对当前帧识别到的机器人进行位置滤波和跟踪，避免误识别和位置检测跳变带来的影响；

根据官方披露的数据，以该项目为核心构造的雷达站系统，其平均标记准确率为 83.66%，最高单场标记准确率 93.55%，局均易伤时间 686.4 秒，局均额外伤害 177.

有关雷达算法的详细介绍，可以查看 doc 路径下的文档。

2. 性能 🚀

得益于使用 CUDA 进行前后处理，以及使用 TensorRT 进行模型的推理，我们保证了较快的处理速度，在配置较低的运算平台上也有不俗的性能发挥。具体而言，我们使用训练后的 yolov8m 作为机器人和装甲板的识别网络，使用 CUDA 版本为 12.3、TensorRT 版本为 8.6，对一次完整的机器人检测、跟踪与定位进行计时 ⏱️，得到数据如下：

• 在 NVIDIA GeForce GTX 1650, AMD Ryzen 7 4800H 上，平均时间为32ms；
• 在 NVIDIA GeForce RTX 3060Ti, 11th Gen Intel Core i5-11600KF 上，平均时间为11ms。

此外，我们对目标定位和跟踪均进行了优化，以提升速度和准确性。有关优化的具体实现，可以查看 doc 目录下文档。

3. 安装 🔨

3.1 依赖 🔃

• 在 Linux 系统下编译和运行本项目；
• 代码基于 C++20 ，需要使用 GCC 11 或更高版本；
• 需要 CMake 版本不低于 3.19，以完整支持 CUDA Toolkit 包的获取与配置；
• 需要 CUDA 版本不低于 12.2，TensorRT 版本不低于 8.5；
• 需要 OpenCV, PCL, Eigen 库以支持图像、点云处理和目标跟踪；
• 需要 GTest 库以支持测试；
• 需要安装 TBB 库以支持 GCC 下的 std::execution；

3.2 编译与运行 🛠️

输入以下命令进行代码的获取、编译与运行：

# clone from website
git clone https://github.com/zmsbruce/rm_radar.git
cd rm_radar

# compile
mkdir build && cd build
cmake ..
make -j$(nproc)

# test
ctest

# run sample
../bin/sample

4. 联系我 📧

如果对代码有疑问，或者想指出代码中的错误，可以提出 Issue 或通过邮件联系我：[email protected]。