NAO高尔夫比赛（python提高版）

精品 | 发表于 | 更新于 | 分类于 | 评论数： | 阅读次数：
本文字数： 1,564字 | 阅读时长 ≈ 8 分钟

NAO高尔夫比赛（python提高版）

比赛规则

场地

场地

图1 高尔夫比赛场地（白圈为球的起点，蓝圈为球洞）

  一共分为3个球洞，场地是一样的，只是球的起点位置不同。第一关起点离球洞3m处，第二关起点离场地左边界50cm处，第三关起点离场地下边界50cm处。

球洞

球洞

图2 球洞

  球洞由黄杆和landmark组成。

比赛时间及要求

  总时长为23min，且击球总次数为10杆。球不可以出界，机器人可以出界。

比赛策略

程序模块

程序模块

图3 程序模块

  高尔夫比赛主要用到了NAO机器人的视觉和运动模块。视觉模块包括红球、黄杆和landmark的识别。运动模块则包括步态、定位和击球等。

程序逻辑

程序逻辑

图4 程序逻辑

  主逻辑即：行走找球->球洞定位->击球。具体程序逻辑思想可参见python初级版的博客。

提高版的改进

摇头找黄杆和找landmark的改进

  在初级版的程序设计中，采用的是先摇头找landmark，找不到则摇头找黄杆的策略。但在考虑到时间缩短的情况下，这样明显会浪费一些时间，因此在提高版的程序中，我们在一次摇头的动作中依次找landmark和黄杆。并将下一次定位时找黄杆或landmark的角度设置为上一个角度的大致范围，而不是从头开始找。

python代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
def moveheadToFindLandmarkandStick(self, yawAngles):
    '''
    摇头找Landmark和黄杆

    返回值：
        列表[targetDis, targetAngle, compensateAngle]
    '''
    for yawAngle in yawAngles:
        isfindLandmark = self.findLandmark(pitchAngle=0, yawAngle=yawAngle)
        if isfindLandmark:
            targetDis = self.landmark_info[2]
            targetAngle = self.landmark_info[3]
            compensateAngle = 10 * rad
            break
        isfindStick = self.findStick(pitchAngle=0, yawAngle=yawAngle)
        if isfindStick:
            targetDis = -999
            targetAngle = self.stickAngle
            compensateAngle = self.compensateAngle1(self.hitballtimes)
            break

    return [targetDis, targetAngle, compensateAngle]

程序说明：

  首先找landmark，因为landmark的识别精度和返回的信息比黄杆好，如果找到则返回距离和角度信息。由于黄杆无法返回距离信息，所以将其距离设置为很大的负值，以便于后面的球洞定位判断。

行走找球(walkToBall())的改进

  当NAO机器人在行走找球时，由于此时是动态的，或者当距离比较远时，摄像头会捕捉不到红球的信息，而初级版的代码是直接摇头再找一次，但此时机器人仍处于运动的状态，因此还是会出现找不到球的情况，甚至会出现走过红球的情况，所以当出现这种情况时，停下来再找一次是很有必要的。
  在改进的代码中，当出现这种情况时，首先停止行走，然后在原地找一下球，找到则继续，否则上下左右摇头找一下球。
  其次，由于之前的行走步态参数设置过大，当出现球的角度超过最大偏离角而校正时，由于步伐过大，导致机器人离球很近，从而出现球不在视野内的情况。所以我们将行走的步态参数改小了一点，并将最小接近球的距离放大一点，从而避免这种情况的发生。

python代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
def walkToBall(self, min_ball_d=0.4, max_ball_theta=0.15):
    '''
    行走到球附近，若没有找到球则往前走一点

    参数：
        min_ball_d:最小接近球的距离
        max_ball_theta:最大偏离角
    '''
    # 如果没有找到球则摇头找球
    isfindBall = self.findBall()
    if isfindBall is False:
        while True:
            isfindBall = self.moveheadToFindball()             
            if isfindBall is False:
                self.motionProxy.moveInit()
                self.motionProxy.moveTo(0.5, 0, 0, self.walkconfiguration.WalkLineMiddle_blue())
            else:
                break

    self.motionProxy.moveTo(0, 0, self.ball_info[2], self.walkconfiguration.WalkCircleLittle_blue())
    self.motionProxy.angleInterpolationWithSpeed("HeadYaw", 0, 0.1)  # 头部回正

    moveTask_1 = self.motionProxy.post.moveTo(1.5 * self.ball_info[0], 0, 0, self.walkconfiguration.WalkLineMiddle_blue()) 
    while True:
        isfindBall = self.findBall(self.pitchAngle, 0)
        if isfindBall is False:
            # 行走过程中没有找到球，则停下来找球
            self.motionProxy.stop(moveTask_1)
            time.sleep(0.5)
            self.motionProxy.moveInit()
            isfindBall_2 = self.moveheadToFindball(pitchAngles=[self.pitchAngle, self.pitchAngle + 10, self.pitchAngle - 10], 
                                                    yawAngles=[-15, 15])
            if isfindBall_2:
                moveTask_1 = self.motionProxy.post.moveTo(1.5 * self.ball_info[0], 0, 0, self.walkconfiguration.WalkLineMiddle_blue())
        ball_d = ((self.ball_info[0] ** 2 + self.ball_info[1] ** 2) ** 0.5)
        ball_theta = abs(self.ball_info[2])
        time.sleep(0.5)     

        # 头不断往下低,防止看不到球
        Names = ["HeadPitch"]            
        if ball_d > 0.6:
            self.pitchAngle = 0
        elif 0.4 < ball_d < 0.6:
            self.pitchAngle = 10
        elif 0.02 < ball_d < 0.4:
            self.pitchAngle = 20
        self.motionProxy.angleInterpolationWithSpeed(Names, self.pitchAngle * rad, 0.1)                                          

        # 到达最小距离内，停止
        if min_ball_d / 3 < ball_d < min_ball_d:
            self.tts.say("I am right.")
            self.motionProxy.stop(moveTask_1)
            time.sleep(0.5)
            self.motionProxy.moveInit()
            break
        # 偏差在范围内，继续走
        elif 0.02 < abs(ball_theta) < max_ball_theta:
            # 到达最小接近球的距离
            if min_ball_d / 3 < ball_d < min_ball_d:
                self.tts.say("I am right.")
                self.motionProxy.stop(moveTask_1)
                time.sleep(0.5)
                self.motionProxy.moveInit()
                break  
            else:
                continue   
        # 超过最大偏离角
        elif abs(ball_theta) > max_ball_theta:
            self.tts.say("I am wrong.")
            self.motionProxy.stop(moveTask_1)
            time.sleep(0.5)
            self.motionProxy.moveInit()               
            self.motionProxy.moveTo(0, 0, self.ball_info[2], self.walkconfiguration.WalkLineMiddle_blue())   

            moveTask_1 = self.motionProxy.post.moveTo(1.5 * self.ball_info[0], 0, 0, self.walkconfiguration.WalkLineMiddle_blue())

球洞定位的改进

  提高版在球洞定位上面仍然采用初级版的三角定位策略，具体可参见python初级版的博客。但较之前的策略，提高版将依次同时识别landmark和黄杆，即在一次摇头的过程中，先识别landmark，如果识别到，则进入landmark的三角定位，否则识别黄杆，进入黄杆的三角定位。

仍然存在的问题

(1)识别黄杆后，仍然不能返回有效的距离信息，这不利于确定击球的力度。
(2)击球力度应由距离来确定。应对力度和距离进行数据拟合，得到两者的关系，以确保每次击球的有效距离能达到预期值。
(3)应尽量避免反手击球，如果不能在路径规划上解决，可以考虑绕着红球转一个大的圆弧。
(4)设计一个切换比赛关数的函数。

谢谢老板！
-------------本文结束感谢您的阅读给个五星好评吧~~-------------
欢迎光临
❤️
NJTech Cxx
请多关照
❤️
❤️