2022智能车大赛：智能视觉组备赛攻略第一弹

在制订这个比赛细则时，经过和卓老师进行了多次沟通，本着“既要有所继承，又要有所不同”的原则，重点保留了去年智能视觉组的图片识别部分，并进行了适当扩展，把图片识别从两类（动物与水果）升级为三类（增加了车辆），同时为了提高后续决赛阶段的观赏性，又增加了大类中的小类识别，例如在动物类中，要区分开猫、狗、马等。

此外，为了提高趣味性，把去年的打靶改为了图片搬运，使任务难度略有降低。此项任务拟在决赛阶段采用。

本届智能视觉组规则相比去年一个比较大的变化是赛道，由小车在规定的赛道中循迹行驶，改为了在无固定赛道的场地自主寻找目标的方式，给出目标在场地上的坐标，小车将按图索骥行驶到目标处并进行识别。

这个任务要求小车能够自主规划行驶路线，并利用惯性导航原理，确定自身的位置和运行的方向及速度。惯性导航的精度决定了找到目标的时间，因此也极大地影响了完成整个比赛的成绩。

考虑到惯性导航的操作是第一次引入智能车竞赛，同时惯性导航的精度比较难把握，因此规则里在场地中固定位置添加了若干AprilTag标牌，小车可以用摄像头寻找并识别到标牌，利用三角定位原理确定自身的位置。

通过惯性导航、三角定位、轮速里程控制多种手段，能够实现小车的准确定位，完成目标的搜寻、识别、拾取。

为了帮助同学们理顺一些概念，为后续的培训打好基础，恩智浦的工程师将于2021年12月15日下午2点，针对下届竞赛的智能视觉组部分进行一次基础培训，主要将涉及AI智能识别和惯性导航两部分。

另外针对不少同学询问的能用什么样的恩智浦MCU，也将在培训中做简要介绍。

• 2021年12月15日，下午2:00

  
  

• 张岩，恩智浦系统工程师
  

• 杨熙，恩智浦系统工程师

  
  

• 恩智浦MCU介绍

• 智能视觉模块介绍

  - OpenART模块介绍

• 模型训练、部署方法、调试方法

  - 模型的获取与训练

  - 模型部署

  - 模型调试

• 影响模型实际精度的关键要素

  - 数据集增广

  - 环境干扰

  - 模型输入数据预处理

  
  

• 惯性导航和惯性器件（加速度计和陀螺仪）

• 2D惯性导航算法（matlab例子）

• 惯性导航误差特性及修正

• 惯导修正信息——组合导航：融合更多的传感器（里程计/UWB/摄像头/GPS）

• 融合算法简介（Kalman）

希望参加本次培训的小伙伴

↓↓↓

由于明年的赛题在AI识别部分是和今年一样的，同学们在备赛时也可以参考以下一些以往的推文：

• 隆重介绍恩智浦MCU机器学习教育套件——OpenART，点击查看>>

• 智能车大赛AI视觉组参考答案，点击查看>>

• 智能车竞赛，AI视觉组赛题浅析，点击查看>>

• AI视觉组仙人一步之模型量化，点击查看>>

• AI视觉组仙人一步之模型调优，点击查看>>

• AI视觉组仙人一步之高级玩法——从Python回归C语言，点击查看>>

• AI机器学习实战之电磁智能车篇，点击查看>>

• AI实战之电磁智能车(续)——数据处理，训练详解，点击查看>>