diff --git a/README.md b/README.md
index eec9a61..46ad21d 100644
--- a/README.md
+++ b/README.md
@@ -1,113 +1,61 @@
-# 黄色赛道检测与距离估算
+# 任务模块
 
-这个项目提供了一套用于检测黄色赛道并估算距离的工具。基于OpenCV的计算机视觉技术，能够从图像中识别黄色赛道，计算方向角度，并估算摄像机到赛道前方的距离。
+## top
 
-## 功能特点
+1. “装货 / qrcode”
+2. 曲线赛道
+3. 上下坡
+    - 存在两种可能性
+4. 石板道
+5. 栅栏 / 栏杆
 
-- 黄色赛道检测与分割
-- 赛道方向和角度计算
-- 赛道距离估算
-- 结果可视化展示
-- 提供易于使用的测试工具
+## Task-1：出生点 - 取货
 
-## 安装依赖
+![alt text](./res/readme/image.png)
 
-确保已安装以下依赖库：
+从二维码取货完，然后走到弯道入口。
 
-```bash
-pip install opencv-python numpy
-```
+![alt text](./res/readme/image-1.png)
 
-## 使用方法
+### 校准前方横线 & 距离距离
 
-### 基本用法
+RGB 摄像机所在位置的确定：
+主要是需要确定其高度。
 
-```python
-from utils.detect_track import detect_yellow_track, visualize_track_detection
+## Task-2：弯道任务
+过去，以及回来。两个方向都需要。
 
-# 检测赛道并估算距离
-image_path = "path/to/your/image.jpg"
-distance, path_info = detect_yellow_track(image_path)
+![alt text](./res/readme/image-2.png)
+![alt text](./res/readme/image-3.png)
 
-if distance is not None:
-    print(f"估算距离: {distance:.2f}米")
-    print(f"赛道角度: {path_info['track_angle']:.2f}°")
-    print(f"转向方向: {path_info['turn_direction']}")
+## Task-2.5：识别
+> 根据箭头决定方向。
 
-# 可视化检测过程
-visualize_track_detection(image_path, save_path="result.jpg")
-```
+这里采取传统cv的基于凸包计算的算法。
 
-### 使用测试脚本
+## Task-3：上下坡
+同样需要考虑两个方向。（正式计时各有一半的概率）
+> 感觉两个坡度稍微有一点点区别。
 
-项目提供了一个方便的测试脚本：
+![alt text](./res/readme/image-4.png)
+![alt text](./res/readme/image-5.png)
 
-```bash
-python test_track_detection.py --image path/to/your/image.jpg --observe --save result.jpg
-```
+以及反方向。
 
-参数说明：
-- `--image`: 要处理的图像路径（必需）
-- `--save`: 结果图像保存路径（可选）
-- `--observe`: 显示处理步骤的中间结果
-- `--delay`: 中间步骤显示的延迟时间，单位为毫秒（默认500ms）
+## Task-4：石板路
 
-## 技术细节
+![alt text](./res/readme/image-6.png)
+![alt text](./res/readme/image-7.png)
 
-### 检测原理
+## Task-5：过栅栏
+![alt text](./res/readme/image-8.png)
 
-1. 将图像转换为HSV颜色空间
-2. 使用颜色阈值提取黄色区域
-3. 寻找轮廓并合并相关区域
-4. 计算赛道的上部和下部中心点
-5. 基于中心点计算方向角度
-6. 根据黄色区域在图像中的占比估算距离
+## Task-5.5：走向卸货
+从上一个赛道结束到 B 二维码。
 
-### 距离估算
+## Task-6：卸货
+也可能在另一边。
+这里是感觉在走过去的过程中就能判断二维码。
 
-距离估算基于以下假设：
-- 黄色赛道在图像中的占比与实际距离有反比关系
-- 占比越大，距离越近；占比越小，距离越远
-
-注意：实际应用中，建议根据相机参数和实际测量进行标定，以获得更准确的结果。
-
-### 函数说明
-
-- `preprocess_image(image)`: 预处理图像，进行边缘检测
-- `detect_yellow_track(image, observe=False, delay=500)`: 检测黄色赛道并估算距离
-- `visualize_track_detection(image, save_path=None, observe=False, delay=500)`: 可视化检测过程
-- `estimate_distance_to_track(image)`: 估算到赛道的距离（简化版API）
-
-## 调整参数
-
-如果检测效果不理想，可以尝试调整以下参数：
-
-1. HSV颜色范围（针对不同光照条件）:
-```python
-lower_yellow = np.array([20, 100, 100])  # 调整黄色的下限
-upper_yellow = np.array([30, 255, 255])  # 调整黄色的上限
-```
-
-2. 轮廓近似参数:
-```python
-epsilon = 0.01 * cv2.arcLength(all_contours, False)  # 调整系数（0.01）
-```
-
-3. 距离估算系数:
-```python
-normalized_distance = min(10.0, max(0.0, estimated_distance / 100.0))  # 调整系数（100.0）
-```
-
-## 示例结果
-
-处理后的图像将包含以下信息：
-- 红色点：表示赛道的顶部和底部中心点
-- 绿色线：表示赛道的中心线
-- 文本信息：距离、角度和方向
-
-## 注意事项
-
-- 该方法在光照条件稳定的环境中效果最佳
-- 黄色赛道需要与背景有足够的对比度
-- 摄像机应保持相对稳定的高度和角度
-- 实际应用中需要根据具体场景调整参数
\ No newline at end of file
+![alt text](./res/readme/image-9.png)
+![alt text](./res/readme/image-10.png)
\ No newline at end of file