import math import time import cv2 import numpy as np import sys import os sys.path.append(os.path.dirname(os.path.dirname(os.path.abspath(__file__)))) from utils.detect_track import ( detect_horizontal_track_edge, detect_horizontal_track_edge_v2, detect_dual_track_lines, detect_left_side_track ) from base_move.turn_degree import turn_degree from base_move.go_straight import go_straight from utils.log_helper import LogHelper, get_logger, section, info, debug, warning, error, success, timing # 创建此模块特定的日志记录器 logger = get_logger("横线移动") def align_to_horizontal_line(ctrl, msg, observe=False, max_attempts=3, detect_func_version=1): """ 控制机器人旋转到横向线水平的位置 参数: ctrl: Robot_Ctrl 对象，包含里程计信息 msg: robot_control_cmd_lcmt 对象，用于发送命令 observe: 是否输出中间状态信息和可视化结果，默认为False max_attempts: 最大尝试次数，默认为3次 返回: bool: 是否成功校准 """ attempts = 0 aligned = False image = ctrl.image_processor.get_current_image() accumulated_angle = 0 max_total_rotation = 45 angle_accuracy_threshold = 2.0 # 记录初始位置 initial_yaw = ctrl.odo_msg.rpy[2] while attempts < max_attempts and not aligned: section(f"尝试校准横线 {attempts+1}/{max_attempts}", "校准") # 检测横向线边缘; 不同版本 if detect_func_version == 1: edge_point, edge_info = detect_horizontal_track_edge(ctrl.image_processor.get_current_image(), observe=observe, delay=1000 if observe else 0, save_log=True) elif detect_func_version == 2: edge_point, edge_info = detect_horizontal_track_edge_v2(ctrl.image_processor.get_current_image(), observe=observe, delay=1000 if observe else 0, save_log=True) else: error("未指定检测版本，请检查参数", "失败") return False print('😺', edge_info) if edge_point is None or edge_info is None: error("未检测到横向线，无法进行校准", "失败") # 尝试小幅度摇头寻找横线 # TODO 或者改成上下低头? if attempts < max_attempts - 1: small_angle = 5 * (1 if attempts % 2 == 0 else -1) info(f"尝试摇头 {small_angle}度 寻找横线", "校准") turn_degree(ctrl, msg, small_angle, absolute=False) time.sleep(0.5) attempts += 1 continue slope = edge_info["slope"] is_horizontal = edge_info["is_horizontal"] if observe: debug(f"检测到横向线，斜率: {slope:.6f}", "检测") info(f"是否足够水平: {is_horizontal}", "检测") if is_horizontal: success("横向线已经水平，无需校准", "完成") return True # 计算需要旋转的角度 angle_rad = math.atan(slope) angle_deg = math.degrees(angle_rad) angle_to_rotate = -angle_deg # 取负值使旋转方向正确 # 设置最小旋转阈值 if abs(angle_to_rotate) < 0.5: # 降低最小旋转阈值 angle_to_rotate = math.copysign(0.5, angle_to_rotate) # 检查累积旋转 if abs(accumulated_angle + angle_to_rotate) > max_total_rotation: warning(f"累积旋转角度({accumulated_angle + angle_to_rotate:.2f}°)过大，限制旋转", "警告") angle_to_rotate = angle_to_rotate / 2 if observe: info(f"计算旋转角度: {angle_to_rotate:.2f}度", "角度") info(f"当前累积旋转: {accumulated_angle:.2f}度", "累积") # 使用turn_degree函数执行旋转，增加精度参数 info(f"旋转角度: {angle_to_rotate:.2f}度", "旋转") turn_success = turn_degree(ctrl, msg, angle_to_rotate, absolute=False, precision=True) info(f"旋转结果: {turn_success}", "旋转结果") # 等待稳定 time.sleep(0.3) # 计算实际旋转角度 current_yaw = ctrl.odo_msg.rpy[2] actual_rotation = math.degrees(current_yaw - initial_yaw - math.radians(accumulated_angle)) # 规范化角度 while actual_rotation > 180: actual_rotation -= 360 while actual_rotation < -180: actual_rotation += 360 accumulated_angle += actual_rotation if observe: info(f"请求旋转: {angle_to_rotate:.2f}度, 实际旋转: {actual_rotation:.2f}度", "旋转") info(f"旋转结果: {'成功' if turn_success else '失败'}", "成功" if turn_success else "失败") attempts += 1 # 检查校准结果 if detect_func_version == 1: edge_point_after, edge_info_after = detect_horizontal_track_edge( ctrl.image_processor.get_current_image(), observe=observe, delay=1000 if observe else 0, save_log=True ) elif detect_func_version == 2: edge_point_after, edge_info_after = detect_horizontal_track_edge_v2( ctrl.image_processor.get_current_image(), observe=observe, delay=1000 if observe else 0, save_log=True ) if edge_info_after and "slope" in edge_info_after: current_slope = edge_info_after["slope"] current_angle_deg = math.degrees(math.atan(current_slope)) if observe: info(f"校准后斜率: {current_slope:.6f}, 角度: {current_angle_deg:.2f}度", "检测") if abs(current_angle_deg) < angle_accuracy_threshold: success(f"校准成功，当前角度: {current_angle_deg:.2f}度", "完成") aligned = True else: warning(f"校准后角度仍超出阈值: {abs(current_angle_deg):.2f}° > {angle_accuracy_threshold}°", "警告") # 最后一次尝试的妥协处理 if attempts == max_attempts and not aligned and edge_info_after: current_slope = edge_info_after["slope"] current_angle_deg = math.degrees(math.atan(current_slope)) if abs(current_angle_deg) < angle_accuracy_threshold * 1.5: warning(f"达到最大尝试次数，接受近似结果，当前角度: {current_angle_deg:.2f}度", "妥协") aligned = True # 恢复最佳状态的处理 if not aligned and abs(accumulated_angle) > 15: warning(f"校准失败，累积旋转{accumulated_angle:.2f}度，尝试恢复到最佳状态", "恢复") best_edge_point, best_edge_info = detect_horizontal_track_edge( ctrl.image_processor.get_current_image(), observe=observe, save_log=True ) if best_edge_info and "slope" in best_edge_info: best_slope = best_edge_info["slope"] best_angle_deg = math.degrees(math.atan(best_slope)) if abs(best_angle_deg) < angle_accuracy_threshold * 1.5: info(f"当前状态已经接近水平，角度: {best_angle_deg:.2f}度", "保持") return True return aligned def calculate_distance_to_line(edge_info, camera_height, camera_tilt_angle_deg=0, observe=False): """ 根据相机参数和图像中横线位置计算相机到横线的实际距离 几何模型说明: 1. 相机位于高度camera_height处，向下倾斜camera_tilt_angle_deg度 2. 图像底部对应相机视场的下边缘，横线在图像中的位置通过像素坐标确定 3. 计算相机视线到横线的角度，然后使用三角函数计算实际距离 参数: edge_info: 边缘信息字典，包含distance_to_bottom等信息 camera_height: 相机高度(米) camera_tilt_angle_deg: 相机向下倾斜的角度（度） observe: 是否打印中间计算值 返回: float: 到横向线的X轴水平距离(米) """ if edge_info is None or "distance_to_bottom" not in edge_info: return None # 1. 获取图像中交点到底部的距离(像素) distance_in_pixels = edge_info["distance_to_bottom"] if observe: debug(f"图像中交点到底部的像素距离: {distance_in_pixels}", "距离") # 2. 获取相机参数 horizontal_fov_rad = 1.46608 # 水平视场角（弧度）约84度 image_height_px = 1080 # 图像高度（像素） image_width_px = 1920 # 图像宽度（像素） # 3. 计算垂直视场角 aspect_ratio = image_width_px / image_height_px # 宽高比 vertical_fov_rad = horizontal_fov_rad / aspect_ratio # 垂直视场角(弧度) vertical_fov_deg = math.degrees(vertical_fov_rad) # 垂直视场角(度) if observe: debug(f"相机参数: 水平FOV={math.degrees(horizontal_fov_rad):.1f}°, 垂直FOV={vertical_fov_deg:.1f}°", "计算") debug(f"图像尺寸: {image_width_px}x{image_height_px}, 宽高比: {aspect_ratio:.2f}", "计算") # 4. 直接计算视线角度 # 计算图像底部到相机视场中心的角度 half_vfov_rad = vertical_fov_rad / 2 # 计算图像底部到横线的角度比例 # 比例 = 底部到横线的像素距离 / 图像总高度 pixel_ratio = distance_in_pixels / image_height_px # 计算从图像底部到横线的角度 bottom_to_line_angle_rad = pixel_ratio * vertical_fov_rad # 计算从相机视场中心到横线的角度 # 负值表示横线在视场中心以下，正值表示在中心以上 center_to_line_angle_rad = bottom_to_line_angle_rad - half_vfov_rad # 考虑相机倾斜角度 # 相机向下倾斜为正值，此时视场中心相对水平线向下 camera_tilt_rad = math.radians(camera_tilt_angle_deg) # 计算横线相对于水平面的视线角度 # 负值表示视线向下看到横线，正值表示视线向上看到横线 view_angle_rad = center_to_line_angle_rad - camera_tilt_rad if observe: debug("视场角度关系:", "计算") debug(f" - 图像底部到横线角度: {math.degrees(bottom_to_line_angle_rad):.2f}°", "角度") debug(f" - 视场中心到横线角度: {math.degrees(center_to_line_angle_rad):.2f}°", "角度") debug(f" - 相机倾斜角度: {camera_tilt_angle_deg}°", "角度") debug(f" - 最终视线角度: {math.degrees(view_angle_rad):.2f}° ({'向下' if view_angle_rad < 0 else '向上'})", "角度") # 5. 防止除零错误或异常值 # 确保视线角度不接近于0(水平视线无法确定地面交点) min_angle_rad = 0.01 # 约0.57度 if abs(view_angle_rad) < min_angle_rad: if observe: warning(f"视线角度过小({math.degrees(view_angle_rad):.2f}°)，使用最小角度: {math.degrees(min_angle_rad):.2f}°", "警告") view_angle_rad = -min_angle_rad # 设为向下的最小角度 # 6. 计算水平距离 # 仅当视线向下时计算地面距离 if view_angle_rad < 0: # 视线向下 # 基本几何关系: 水平距离 = 高度 / tan(视线向下的角度) # 注意角度为负，所以需要取负 ground_distance = camera_height / math.tan(-view_angle_rad) if observe: info(f"计算公式: 距离 = 相机高度({camera_height}米) / tan(|视线角度|({abs(math.degrees(view_angle_rad)):.2f}°))", "计算") info(f"计算结果: 距离 = {ground_distance:.3f}米", "距离") else: # 视线平行或向上，无法确定地面交点 if observe: warning(f"视线向上或水平，无法计算地面距离", "警告") return 0.5 # 返回一个默认值 # 7. 应用校正和限制 # 可选的校正因子(通过实验校准) correction_factor = 1.0 distance = ground_distance * correction_factor # 设置合理的范围限制 min_distance = 0.1 # 最小距离(米) # 限制结果在合理范围内 final_distance = max(min_distance, distance) if observe and final_distance != distance: warning(f"应用范围限制: 原始距离 {distance:.3f}米 -> 最终距离 {final_distance:.3f}米", "警告") elif observe: info(f"最终距离: {final_distance:.3f}米", "距离") return final_distance def go_straight_by_hori_line(ctrl, msg, distance=0.5, speed=0.5, observe=False): """ 根据横向线位置，控制机器人移动到指定距离 # INFO 本质就是封装了一下 go-straight，但是需要先校准到水平 参数: ctrl: Robot_Ctrl 对象，包含里程计信息 msg: robot_control_cmd_lcmt 对象，用于发送命令 distance: 目标位置与横向线的距离(米)，默认为0.5米 speed: 移动速度(米/秒)，默认为0.5米/秒 observe: 是否输出中间状态信息和可视化结果，默认为False """ # 首先校准到水平 section("校准到横向线水平", "校准") aligned = align_to_horizontal_line(ctrl, msg, detect_func_version=2, observe=observe) if not aligned: error("无法校准到横向线水平，停止移动", "停止") return False else: success("校准完成", "完成") go_straight(ctrl, msg, distance=distance, speed=speed, observe=observe) def move_to_hori_line(ctrl, msg, target_distance=0.5, absolute_deg=200, observe=False): """ 控制机器人校准并移动到横向线前的指定距离 参数: ctrl: Robot_Ctrl 对象，包含里程计信息 msg: robot_control_cmd_lcmt 对象，用于发送命令 target_distance: 目标位置与横向线的距离(米)，默认为0.5米 observe: 是否输出中间状态信息和可视化结果，默认为False 返回: bool: 是否成功到达目标位置 """ # 首先校准到水平 section("校准到横向线水平", "校准") if absolute_deg < 200: aligned = turn_degree(ctrl, msg, absolute_deg, absolute=True) else: aligned = align_to_horizontal_line(ctrl, msg, observe=observe) if not aligned: error("无法校准到横向线水平，停止移动", "停止") return False # 检测横向线 image = ctrl.image_processor.get_current_image() edge_point, edge_info = detect_horizontal_track_edge(image, observe=observe, save_log=True) if edge_point is None or edge_info is None: error("无法检测到横向线，停止移动", "停止") return False # 获取相机高度 camera_height = 0.355 # 单位: 米 # INFO from TF-tree # 计算当前距离 current_distance = calculate_distance_to_line(edge_info, camera_height, observe=observe) if current_distance is None: error("无法计算到横向线的距离，停止移动", "停止") return False if observe: info(f"当前距离: {current_distance:.3f}米, 目标距离: {target_distance:.3f}米", "距离") # 计算需要移动的距离 distance_to_move = current_distance - target_distance if abs(distance_to_move) < 0.05: # 如果已经很接近目标距离 success("已经达到目标距离，无需移动", "完成") return True # 设置移动命令 msg.mode = 11 # Locomotion模式 msg.gait_id = 26 # 自变频步态 # 移动方向设置 forward = distance_to_move > 0 # 判断是前进还是后退 # 设置移动速度 # 根据需要移动的距离动态调整移动速度 if abs(distance_to_move) > 1.0: move_speed = 1.0 # 距离较远时用最大速度 elif abs(distance_to_move) > 0.5: move_speed = 0.6 # 中等距离用中等速度 elif abs(distance_to_move) > 0.2: move_speed = 0.3 # 较近距离用较慢速度 else: move_speed = 0.15 # 非常接近时用最慢速度 if forward: msg.vel_des = [move_speed, 0, 0] # 设置前进速度 else: msg.vel_des = [-move_speed, 0, 0] # 设置后退速度 # 获取起始位置 start_position = list(ctrl.odo_msg.xyz) # 转换为列表，因为xyz是元组 if observe: debug(f"起始位置: {start_position}", "位置") info(f"开始移动: {'前进' if forward else '后退'} {abs(distance_to_move):.3f}米", "移动") # 在起点放置绿色标记 if hasattr(ctrl, 'place_marker'): ctrl.place_marker(start_position[0], start_position[1], start_position[2] if len(start_position) > 2 else 0.0, 'green', observe=True) # 估算移动时间，但实际上会通过里程计控制 move_time = abs(distance_to_move) / move_speed msg.duration = 0 # wait next cmd msg.step_height = [0.06, 0.06] # 抬腿高度 msg.life_count += 1 # 发送命令 ctrl.Send_cmd(msg) # 使用里程计进行实时监控移动距离 distance_moved = 0 start_time = time.time() timeout = move_time + 2 # 增加超时时间为预计移动时间加2秒 # 监控移动距离，增加移动距离的系数 while distance_moved < abs(distance_to_move) * 1.05 and time.time() - start_time < timeout: # 计算已移动距离 current_position = ctrl.odo_msg.xyz dx = current_position[0] - start_position[0] dy = current_position[1] - start_position[1] distance_moved = math.sqrt(dx*dx + dy*dy) if observe and time.time() % 0.5 < 0.02: # 每0.5秒左右打印一次 debug(f"已移动: {distance_moved:.3f}米, 目标: {abs(distance_to_move):.3f}米", "移动") time.sleep(0.05) # 小间隔检查位置 # 使用平滑停止 # ctrl.base_msg.stop_smooth() ctrl.base_msg.stop() if observe: success(f"移动完成，平稳停止，通过里程计计算的移动距离: {distance_moved:.3f}米", "完成") # 在终点放置红色标记 end_position = list(ctrl.odo_msg.xyz) if hasattr(ctrl, 'place_marker'): ctrl.place_marker(end_position[0], end_position[1], end_position[2] if len(end_position) > 2 else 0.0, 'red', observe=True) # 放宽判断标准 return abs(distance_moved - abs(distance_to_move)) < 0.15 # 如果误差小于15厘米，则认为成功 def arc_turn_around_hori_line(ctrl, msg, angle_deg=90, target_distance=0.2, pass_align=False, # radius radius=None, min_radius=0.1, max_radius=5, # mode detect_func_version=1, # Qrcode scan_qrcode=False, qr_check_interval=0.3, # additional observe=False, bad_big_angle_corret=False, no_end_reset=False,): """ 对准前方横线，然后以计算出来的距离为半径，做一个向左或向右的圆弧旋转。 参数: ctrl: Robot_Ctrl对象 msg: robot_control_cmd_lcmt对象 target_distance: 横线前目标保持距离，默认0.5米 angle_deg: 旋转角度，正值为左转，负值为右转 pass_align: 是否跳过对准步骤，默认为False observe: 是否打印调试信息 scan_qrcode: 是否在旋转过程中扫描QR码，默认为False qr_check_interval: QR码检查间隔时间(秒)，默认为0.3秒 bad_big_angle_corret: 是否对大角度错误进行修正，默认为False # TODO clear no_end_reset: 是否在旋转完成后不进行位置重置，默认为False 返回: bool或元组: 如果scan_qrcode为False，返回bool表示是否成功完成操作； 如果scan_qrcode为True，返回(bool, str)元组，表示(是否成功完成操作, QR码扫描结果) """ # 返回此任务的中间状态 res = {} # 启动异步QR码扫描（如果需要） qr_result = None if scan_qrcode: # 确保image_processor存在 if not hasattr(ctrl, 'image_processor') or ctrl.image_processor is None: warning("无法启用QR码扫描，image_processor不存在", "警告") scan_qrcode = False else: # 启动异步扫描 try: ctrl.image_processor.start_async_scan(interval=0.2) info("已启动异步QR码扫描", "扫描") except Exception as e: error(f"启动QR码扫描失败: {e}", "失败") scan_qrcode = False # 1. 对准横线 if not pass_align: section("校准到横向线水平", "校准") aligned = align_to_horizontal_line(ctrl, msg, detect_func_version=detect_func_version, observe=observe) if not aligned: error("无法校准到横向线水平，停止动作", "停止") if scan_qrcode: ctrl.image_processor.stop_async_scan() return False, res return False, res else: info("跳过对准步骤", "信息") # 2. 检测横线并计算距离 r = radius if r is None: image = ctrl.image_processor.get_current_image() edge_point, edge_info = detect_horizontal_track_edge(image, observe=observe) if edge_point is None or edge_info is None: error("无法检测到横向线，停止动作", "停止") if scan_qrcode: ctrl.image_processor.stop_async_scan() return False, res return False, res camera_height = 0.355 # 单位: 米 r = calculate_distance_to_line(edge_info, camera_height, observe=observe) if r is None: error("无法计算到横向线的距离，停止动作", "停止") if scan_qrcode: ctrl.image_processor.stop_async_scan() return False, res return False, res # 减去目标距离 r -= target_distance res['radius'] = r if observe: info(f"当前距离: {r:.3f}米", "距离") # 3. 计算圆弧运动参数 # 根据角度大小调整时间补偿系数 abs_angle_deg = abs(angle_deg) if abs_angle_deg <= 70: time_compensation = 0.78 # 对70度及以下角度使用更小的补偿系数 elif abs_angle_deg <= 90: time_compensation = 0.85 # 90度左右使用稍大的系数 else: # 对180度旋转，增加补偿系数，使旋转时间更长 time_compensation = 1.4 # 增加40%的时间 # 调整实际目标角度，针对不同角度应用不同的缩放比例 actual_angle_deg = angle_deg if abs_angle_deg <= 70: actual_angle_deg = angle_deg * 0.85 # 70度及以下角度减少到85% elif abs_angle_deg <= 90: actual_angle_deg = angle_deg * 0.9 # 90度减少到90% elif abs_angle_deg >= 170: # 处理大角度旋转，特别是180度情况 actual_angle_deg = angle_deg # 对于180度旋转，使用完整角度，不进行缩放 if observe and actual_angle_deg != angle_deg: info(f"应用角度补偿: 目标{angle_deg}度 -> 实际指令{actual_angle_deg:.1f}度", "角度") angle_rad = math.radians(actual_angle_deg) # 设定角速度（rad/s），角度的符号决定了转向方向 base_w = 0.8 w = math.copysign(base_w, angle_deg) # 保持角速度与角度同号 # 确保r有一个最小值，避免速度过低 effective_r = min(max_radius, max(r, min_radius)) # 线速度，必须与角速度和半径的关系一致：v = w * r # 这样才能保证走圆弧 v = abs(w * effective_r) # 线速度，正负号与角速度方向一致 info(f"开始移动圆弧，半径: {effective_r:.3f}米, 线速度: {v:.3f}m/s, 角速度: {w:.3f}rad/s") if observe: if effective_r != r: warning(f"注意: 实际半径 {r:.3f}米，使用半径 {effective_r:.3f}米 计算速度", "警告") t = abs(angle_rad / w) # 运动时间，取绝对值保证为正 # 应用时间补偿系数 t *= time_compensation if observe: print(f"圆弧半径: {effective_r:.3f}米, 角速度: {w:.3f}rad/s, 线速度: {v:.3f}m/s") print(f"理论运动时间: {abs(angle_rad / w):.2f}s, 应用补偿系数{time_compensation}后: {t:.2f}s") # 4. 发送圆弧运动指令 msg.mode = 11 msg.gait_id = 26 msg.vel_des = [v, 0, w] # [前进速度, 侧向速度, 角速度] msg.duration = 0 # wait next msg.step_height = [0.06, 0.06] msg.life_count += 1 ctrl.Send_cmd(msg) # 记录起始角度和位置 start_yaw = ctrl.odo_msg.rpy[2] start_position = list(ctrl.odo_msg.xyz) # DEBUG 在起点放置蓝色标记 if observe: yaw = ctrl.odo_msg.rpy[2] ctrl.place_marker(start_position[0], start_position[1], start_position[2] if len(start_position) > 2 else 0.0, 'blue', observe=True) info(f"在起点位置放置蓝色标记: {start_position}", "位置") # 计算圆心位置 - 相对于机器人前进方向的左侧或右侧 # 圆心与机器人当前位置的距离就是圆弧半径 # 角度为正(左转)时，圆心在左侧；角度为负(右转)时，圆心在右侧 circle_side = 1 if angle_deg > 0 else -1 center_x = start_position[0] - effective_r * math.sin(yaw) * circle_side center_y = start_position[1] + effective_r * math.cos(yaw) * circle_side center_z = start_position[2] if len(start_position) > 2 else 0.0 # 在圆心放置绿色标记 ctrl.place_marker(center_x, center_y, center_z, 'green', observe=True) info(f"在旋转圆心放置绿色标记: [{center_x:.3f}, {center_y:.3f}, {center_z:.3f}]", "位置") # 计算目标点的位置 - 旋转后的位置 # 使用几何关系：目标点是从起点绕圆心旋转angle_rad弧度后的位置 target_angle = yaw + angle_rad # 直接使用angle_rad的正负确定方向 # 计算从圆心到目标点的向量 target_x = center_x + effective_r * math.sin(target_angle) * circle_side target_y = center_y - effective_r * math.cos(target_angle) * circle_side target_z = start_position[2] if len(start_position) > 2 else 0.0 # 在目标点放置红色标记 ctrl.place_marker(target_x, target_y, target_z, 'red', observe=True) info(f"在目标位置放置红色标记: [{target_x:.3f}, {target_y:.3f}, {target_z:.3f}]", "位置") # 进入循环，实时判断 distance_moved = 0 angle_turned = 0 start_time = time.time() timeout = t + 2 # 给个超时保护 last_qr_check_time = 0 # 初始速度 current_v = v current_w = w # 对小角度提前开始减速 if abs_angle_deg <= 70: slowdown_threshold = 0.65 # 当达到目标角度的65%时开始减速 elif abs_angle_deg >= 170: # 针对大角度(如180度)采用更晚的减速时机 slowdown_threshold = 0.7 # 当达到目标角度的70%时才开始减速 else: slowdown_threshold = 0.75 # 对于大角度，75%时开始减速（原来是80%） # 根据角度大小调整旋转停止阈值 if abs_angle_deg >= 170: rotation_completion_threshold = 0.85 # 大角度旋转提前停止，避免惯性导致过度旋转 else: rotation_completion_threshold = 0.95 # 默认旋转到95%时停止 # 监控旋转进度并自行控制减速 # 对于180度旋转使用特殊处理 if abs_angle_deg >= 170: # 简化旋转逻辑，直接持续旋转一段时间 rotation_time = t # 使用计算的理论时间 if observe: info(f"大角度旋转({abs_angle_deg}度)，将持续旋转 {rotation_time:.2f} 秒", "旋转") # 发送固定时间的旋转命令 start_time = time.time() # 前段使用全速，但减少前段旋转时间比例，减少过度旋转 first_segment_time = rotation_time * 0.65 # 原来是0.7，减少到0.65 elapsed_time = 0 while elapsed_time < first_segment_time and time.time() - start_time < rotation_time + 2: # 加2秒保护 elapsed_time = time.time() - start_time # 计算已旋转角度（仅用于打印） if observe and time.time() % 0.5 < 0.02: current_yaw = ctrl.odo_msg.rpy[2] angle_turned = current_yaw - start_yaw # 角度归一化处理 while angle_turned > math.pi: angle_turned -= 2 * math.pi while angle_turned < -math.pi: angle_turned += 2 * math.pi debug(f"全速阶段 - 已旋转: {math.degrees(angle_turned):.2f}度, 已用时间: {elapsed_time:.2f}s/{rotation_time:.2f}s", "旋转") # 检查QR码扫描结果（如果启用） if scan_qrcode: current_time = time.time() if current_time - last_qr_check_time >= qr_check_interval: qr_data, scan_time = ctrl.image_processor.get_last_qr_result() if qr_data and scan_time > start_time: qr_result = qr_data success(f"在旋转过程中扫描到QR码: {qr_data}", "扫描") last_qr_check_time = current_time time.sleep(0.05) # 后段减速，减少减速幅度，保持更高速度 if observe: info(f"进入减速阶段", "旋转") # 减速到70%，保持前进速度和角速度的比例关系 reduced_w = w * 0.7 # 原来是0.5 reduced_v = abs(reduced_w * effective_r) # 维持圆弧关系 msg.mode = 11 msg.gait_id = 26 msg.vel_des = [reduced_v, 0, reduced_w] # 维持圆弧关系 msg.duration = 0 msg.step_height = [0.06, 0.06] msg.life_count += 1 ctrl.Send_cmd(msg) # 继续旋转直到总时间结束，减少总旋转时间 total_rotation_time = rotation_time * 1.15 # 原来是1.2，减少到1.15 while time.time() - start_time < total_rotation_time: # 计算已旋转角度（仅用于打印） if observe and time.time() % 0.5 < 0.02: current_yaw = ctrl.odo_msg.rpy[2] angle_turned = current_yaw - start_yaw # 角度归一化处理 while angle_turned > math.pi: angle_turned -= 2 * math.pi while angle_turned < -math.pi: angle_turned += 2 * math.pi debug(f"减速阶段 - 已旋转: {math.degrees(angle_turned):.2f}度, 已用时间: {time.time() - start_time:.2f}s/{total_rotation_time:.2f}s", "旋转") # 检查QR码扫描结果（如果启用） if scan_qrcode: current_time = time.time() if current_time - last_qr_check_time >= qr_check_interval: qr_data, scan_time = ctrl.image_processor.get_last_qr_result() if qr_data and scan_time > start_time: qr_result = qr_data success(f"在旋转过程中扫描到QR码: {qr_data}", "扫描") last_qr_check_time = current_time time.sleep(0.05) # 停止 ctrl.base_msg.stop() else: # 非180度的常规旋转逻辑保持不变 while abs(angle_turned) < abs(angle_rad) * rotation_completion_threshold and time.time() - start_time < timeout: # 计算已移动距离 current_position = ctrl.odo_msg.xyz dx = current_position[0] - start_position[0] dy = current_position[1] - start_position[1] distance_moved = math.sqrt(dx*dx + dy*dy) # 计算已旋转角度 current_yaw = ctrl.odo_msg.rpy[2] angle_turned = current_yaw - start_yaw # 角度归一化处理 while angle_turned > math.pi: angle_turned -= 2 * math.pi while angle_turned < -math.pi: angle_turned += 2 * math.pi # 检查QR码扫描结果（如果启用） if scan_qrcode: current_time = time.time() if current_time - last_qr_check_time >= qr_check_interval: qr_data, scan_time = ctrl.image_processor.get_last_qr_result() if qr_data and scan_time > start_time: qr_result = qr_data print(f"🔍 在旋转过程中扫描到QR码: {qr_data}") last_qr_check_time = current_time # 计算角度完成比例 completion_ratio = abs(angle_turned) / abs(angle_rad) # 当完成一定比例时开始减速 if completion_ratio > slowdown_threshold: # 实现多阶段减速，特别针对大角度旋转 if abs_angle_deg >= 170: if completion_ratio < 0.7: # 第一阶段：60%-70% speed_factor = 0.65 # 原来是0.7，减少到0.65 elif completion_ratio < 0.8: # 第二阶段：70%-80% speed_factor = 0.35 # 原来是0.4，减少到0.35 else: # 第三阶段：80%以上 speed_factor = 0.15 # 原来是0.2，减少到0.15 else: # 标准减速逻辑保持不变 # 剩余比例作为速度系数 speed_factor = 1.0 - (completion_ratio - slowdown_threshold) / (1.0 - slowdown_threshold) # 根据角度调整最小速度因子 min_speed_factor = 0.15 # 默认最小速度因子 # 确保速度系数不会太小，但可以更慢一些 speed_factor = max(min_speed_factor, speed_factor) # 应用减速 current_v = v * speed_factor current_w = w * speed_factor # 更新速度命令 msg.mode = 11 msg.gait_id = 26 msg.vel_des = [current_v, 0, current_w] msg.duration = 200 # 短时间更新 msg.step_height = [0.06, 0.06] msg.life_count += 1 ctrl.Send_cmd(msg) # 针对180度旋转，在减速命令后稍作等待，以确保减速效果 if abs_angle_deg >= 170: time.sleep(0.03) # 短暂延迟，让减速命令更有效 if observe and time.time() % 0.5 < 0.02: # 每0.5秒左右打印一次 debug(f"减速阶段 - 已旋转: {math.degrees(angle_turned):.2f}度, 速度因子: {speed_factor:.2f}, 当前角速度: {current_w:.3f}rad/s", "旋转") else: if observe and time.time() % 0.5 < 0.02: # 每0.5秒左右打印一次 debug(f"已移动: {distance_moved:.3f}米, 已旋转: {math.degrees(angle_turned):.2f}度", "旋转") time.sleep(0.05) if observe: info(f"旋转过程结束，当前速度: [{current_v:.3f}, 0, {current_w:.3f}]", "停止") debug(f'旋转结束角度: {math.degrees(ctrl.odo_msg.rpy[2]):.2f}°', "角度") ctrl.base_msg.stop() if observe: debug(f'停止角度: {math.degrees(ctrl.odo_msg.rpy[2]):.2f}°', "角度") # 记录停止前的角度 pre_stop_yaw = ctrl.odo_msg.rpy[2] # 等待机器人完全停止 time.sleep(0.5) # 停下来后的最终角度 final_yaw = ctrl.odo_msg.rpy[2] final_angle_turned = final_yaw - start_yaw # 记录实际结束位置 end_position = list(ctrl.odo_msg.xyz) # 在实际结束位置放置黄色标记，与预计的目标位置进行对比 if observe and hasattr(ctrl, 'place_marker'): ctrl.place_marker(end_position[0], end_position[1], end_position[2] if len(end_position) > 2 else 0.0, 'yellow', observe=True) info(f"在实际结束位置放置黄色标记: {end_position}", "位置") # 计算实际位置与预期位置的偏差 position_error = math.sqrt((end_position[0] - target_x)**2 + (end_position[1] - target_y)**2) info(f"位置误差: {position_error:.3f}米", "距离") # 角度归一化处理 while final_angle_turned > math.pi: final_angle_turned -= 2 * math.pi while final_angle_turned < -math.pi: final_angle_turned += 2 * math.pi final_angle_deg = math.degrees(final_angle_turned) # 这里直接使用原始目标角度 if not bad_big_angle_corret: target_angle_deg = angle_deg else: target_angle_deg = -angle_deg if observe: # 输出停止过程中角度变化 stop_angle_diff = math.degrees(final_yaw - pre_stop_yaw) while stop_angle_diff > 180: stop_angle_diff -= 360 while stop_angle_diff < -180: stop_angle_diff += 360 debug(f"停止过程中旋转了: {stop_angle_diff:.2f}度", "角度") info(f"旋转完成，目标角度: {target_angle_deg:.2f}度, 实际角度: {final_angle_deg:.2f}度", "角度") # 检查是否需要微调 angle_error = abs(final_angle_deg - target_angle_deg) # 针对不同角度使用不同的微调阈值 adjustment_threshold = 3.0 # 默认微调阈值 if abs_angle_deg >= 170: adjustment_threshold = 10.0 # 大角度旋转使用更大的微调阈值，因为初步旋转已经确保大致方向正确 if angle_error > adjustment_threshold and not no_end_reset: # 如果误差超过阈值 if observe: warning(f"角度误差: {angle_error:.2f}度，进行微调", "角度") # 计算需要微调的角度 adjust_angle = target_angle_deg - final_angle_deg # 增加补偿系数，因为实际旋转常会超出理论计算值 if abs_angle_deg <= 70: compensation_factor = 0.55 # 比之前更保守，从0.65降至0.55 elif abs_angle_deg >= 170: # 单独处理180度附近的大角度 # 动态调整补偿因子，更保守处理 if angle_error > 60: # 如果误差超过60度 compensation_factor = 0.4 # 从0.5降至0.4 elif angle_error > 30: # 如果误差超过30度 compensation_factor = 0.35 # 从0.4降至0.35 else: compensation_factor = 0.25 # 从0.3降至0.25，更保守 else: compensation_factor = 0.6 # 从0.7降至0.6 # 对于特别大的误差进行更保守的单次校准 if abs_angle_deg >= 170 and angle_error > 30: # 大误差直接一步校准，使用更保守的补偿系数 adjusted_compensation = compensation_factor * 0.85 # 在已有补偿基础上再降低15% adjust_angle = adjust_angle * adjusted_compensation if observe: info(f"误差较大({angle_error:.2f}度)，使用更积极的补偿系数{adjusted_compensation:.2f}进行一次性校准: {adjust_angle:.2f}度", "角度") # 使用turn_degree函数进行微调 turn_success = turn_degree(ctrl, msg, adjust_angle, absolute=False) # 等待稳定 time.sleep(1.0) # 再次检查剩余误差(仅用于显示) if observe: current_yaw = ctrl.odo_msg.rpy[2] current_angle_turned = current_yaw - start_yaw # 角度归一化处理 while current_angle_turned > math.pi: current_angle_turned -= 2 * math.pi while current_angle_turned < -math.pi: current_angle_turned += 2 * math.pi current_angle_deg = math.degrees(current_angle_turned) remaining_error = target_angle_deg - current_angle_deg info(f"校准后的角度: {current_angle_deg:.2f}度, 剩余误差: {remaining_error:.2f}度", "角度") else: adjust_angle *= compensation_factor if observe: info(f"应用补偿系数{compensation_factor}后的微调角度: {adjust_angle:.2f}度", "角度") # 使用turn_degree函数进行微调 turn_success = turn_degree(ctrl, msg, adjust_angle, absolute=False) # 等待稳定(仅用于显示) if observe: time.sleep(0.8) current_yaw = ctrl.odo_msg.rpy[2] current_angle_turned = current_yaw - start_yaw # 角度归一化处理 while current_angle_turned > math.pi: current_angle_turned -= 2 * math.pi while current_angle_turned < -math.pi: current_angle_turned += 2 * math.pi current_angle_deg = math.degrees(current_angle_turned) remaining_error = target_angle_deg - current_angle_deg info(f"校准后的角度: {current_angle_deg:.2f}度, 剩余误差: {remaining_error:.2f}度", "角度") if observe: info(f"微调结果: {'成功' if turn_success else '失败'}", "成功" if turn_success else "失败") # 移动完成后再检查一次QR码扫描结果 if scan_qrcode: qr_data, scan_time = ctrl.image_processor.get_last_qr_result() if qr_data and (qr_result is None or scan_time > last_qr_check_time): qr_result = qr_data success(f"旋转完成后最终扫描到QR码: {qr_data}", "扫描") # 停止异步扫描 ctrl.image_processor.stop_async_scan() # 将QR码结果添加到res字典中 res['qr_result'] = qr_result if observe: success("圆弧转弯完成", "完成") # 统一返回结果格式 return True, res def follow_dual_tracks(ctrl, msg, speed=0.5, max_time=30, target_distance=None, observe=False): """ 控制机器狗在双轨道线中间行走 参数: ctrl: Robot_Ctrl 对象，包含里程计信息 msg: robot_control_cmd_lcmt 对象，用于发送命令 speed: 前进速度(米/秒)，默认为0.5米/秒 max_time: 最大行走时间(秒)，默认为30秒 target_distance: 目标移动距离(米)，如果设置，则达到此距离后停止 observe: 是否输出中间状态信息和可视化结果，默认为False 返回: bool: 是否成功完成双轨道跟随 """ section("开始双轨道跟随", "轨道跟随") # 设置移动命令基本参数 msg.mode = 11 # Locomotion模式 msg.gait_id = 26 # 自变频步态 msg.duration = 0 # wait next cmd msg.step_height = [0.06, 0.06] # 抬腿高度 # 记录起始时间 start_time = time.time() # 记录起始位置 start_position = list(ctrl.odo_msg.xyz) if observe: debug(f"起始位置: {start_position}", "位置") if target_distance: info(f"目标距离: {target_distance}米", "目标") # 在起点放置绿色标记 if hasattr(ctrl, 'place_marker'): ctrl.place_marker(start_position[0], start_position[1], start_position[2] if len(start_position) > 2 else 0.0, 'green', observe=True) # PID控制参数 kp = 0.005 # 比例系数 ki = 0.0002 # 积分系数 kd = 0.001 # 微分系数 # PID控制变量 previous_error = 0 integral = 0 # 最大角速度限制 max_angular_velocity = 0.5 # rad/s # 记录成功检测到双轨道的次数和总次数，用于计算检测成功率 detection_success_count = 0 detection_total_count = 0 # 帧间滤波参数 filter_size = 5 # 滤波队列大小 deviation_queue = [] # 偏差值队列 last_valid_deviation = 0 # 上一次有效的偏差值 last_valid_center_info = None # 上一次有效的中心信息 # 开始跟随循环 distance_moved = 0 while time.time() - start_time < max_time: # 检查距离条件 if target_distance and distance_moved >= target_distance: if observe: success(f"已达到目标距离 {target_distance}米，停止移动", "完成") break # 获取当前图像 image = ctrl.image_processor.get_current_image() # 检测双轨道线 detection_total_count += 1 center_info, left_info, right_info = detect_dual_track_lines(image, observe=observe, save_log=True) # 使用帧间滤波增强稳定性 if center_info is not None: detection_success_count += 1 # 保存有效的中心信息 last_valid_center_info = center_info # 获取当前偏差 current_deviation = center_info["deviation"] last_valid_deviation = current_deviation # 添加到队列 deviation_queue.append(current_deviation) if len(deviation_queue) > filter_size: deviation_queue.pop(0) # 计算滤波后的偏差值 (去除最大和最小值后的平均) if len(deviation_queue) >= 3: filtered_deviations = sorted(deviation_queue)[1:-1] if len(deviation_queue) > 2 else deviation_queue filtered_deviation = sum(filtered_deviations) / len(filtered_deviations) else: filtered_deviation = current_deviation if observe and time.time() % 0.5 < 0.02: debug(f"原始偏差: {current_deviation}px, 滤波后: {filtered_deviation}px", "滤波") # 计算PID控制 error = -filtered_deviation # 负值表示需要向右转，正值表示需要向左转 # 比例项 p_control = kp * error # 积分项 (添加积分限制以防止积分饱和) integral += error integral = max(-1000, min(1000, integral)) # 限制积分范围 i_control = ki * integral # 微分项 derivative = error - previous_error d_control = kd * derivative previous_error = error # 计算总的角速度控制量 angular_velocity = p_control + i_control + d_control # 限制角速度范围 angular_velocity = max(-max_angular_velocity, min(max_angular_velocity, angular_velocity)) # 动态调整前进速度 - 偏差越大，速度越慢 adaptive_speed = speed if abs(filtered_deviation) > 100: # 如果偏差较大 # 根据偏差大小动态调整速度，最低降至60% deviation_factor = max(0.6, 1.0 - abs(filtered_deviation) / 1000.0) adaptive_speed = speed * deviation_factor if observe and time.time() % 0.5 < 0.02: debug(f"偏差较大({filtered_deviation:.1f}px)，调整速度至 {adaptive_speed:.2f}m/s", "速度") if observe and time.time() % 0.5 < 0.02: debug(f"偏差: {filtered_deviation:.1f}px, P: {p_control:.4f}, I: {i_control:.4f}, D: {d_control:.4f}, 角速度: {angular_velocity:.4f}", "控制") # 设置速度命令 msg.vel_des = [adaptive_speed, 0, angular_velocity] else: warning("未检测到双轨道线", "警告") # 如果有之前的有效检测结果，使用上一次的控制值来平滑过渡 if last_valid_center_info is not None and len(deviation_queue) > 0: # 使用上一次的有效偏差，但降低其影响（乘以衰减因子） decay_factor = 0.8 decayed_deviation = last_valid_deviation * decay_factor # 计算PID控制 error = -decayed_deviation # 更新PID控制值但不更新积分项 p_control = kp * error i_control = ki * integral d_control = 0 # 不使用微分项以避免抖动 # 计算总的角速度控制量，但降低其幅度 angular_velocity = (p_control + i_control) * 0.7 # 限制角速度范围 angular_velocity = max(-max_angular_velocity/2, min(max_angular_velocity/2, angular_velocity)) # 降低速度以增加安全性 reduced_speed = speed * 0.8 if observe: warning(f"使用上一帧数据，偏差: {decayed_deviation:.1f}px, 角速度: {angular_velocity:.4f}, 速度: {reduced_speed:.2f}m/s", "恢复") # 设置速度命令 msg.vel_des = [reduced_speed, 0, angular_velocity] else: # 如果连续多次无法检测到轨道，降低速度直线行走 if detection_total_count > 5 and detection_success_count / detection_total_count < 0.3: reduced_speed = speed * 0.6 # 降低至60%的速度 msg.vel_des = [reduced_speed, 0, 0] if observe: warning(f"检测成功率低，降低速度至 {reduced_speed:.2f}m/s", "警告") else: # 如果刚开始无法检测，使用原速度直线行走 msg.vel_des = [speed, 0, 0] # 发送命令 msg.life_count += 1 ctrl.Send_cmd(msg) # 短暂延时 time.sleep(0.05) # 计算已移动距离 current_position = ctrl.odo_msg.xyz dx = current_position[0] - start_position[0] dy = current_position[1] - start_position[1] distance_moved = math.sqrt(dx*dx + dy*dy) if observe and time.time() % 0.5 < 0.02: # 每0.5秒左右打印一次 info(f"已移动: {distance_moved:.3f}米", "移动") if target_distance: progress = (distance_moved / target_distance) * 100 info(f"进度: {progress:.1f}%", "进度") # 平滑停止 if observe: info("开始平滑停止", "停止") # 先降低速度再停止，实现平滑停止 slowdown_steps = 5 for i in range(slowdown_steps, 0, -1): slowdown_factor = i / slowdown_steps msg.vel_des = [speed * slowdown_factor, 0, 0] msg.life_count += 1 ctrl.Send_cmd(msg) time.sleep(0.1) # 最后完全停止 ctrl.base_msg.stop() # 计算最终移动距离 final_position = ctrl.odo_msg.xyz dx = final_position[0] - start_position[0] dy = final_position[1] - start_position[1] final_distance = math.sqrt(dx*dx + dy*dy) if observe: # 在终点放置红色标记 end_position = list(final_position) if hasattr(ctrl, 'place_marker'): ctrl.place_marker(end_position[0], end_position[1], end_position[2] if len(end_position) > 2 else 0.0, 'red', observe=True) success(f"双轨道跟随完成，总移动距离: {final_distance:.3f}米", "完成") # 显示检测成功率 if detection_total_count > 0: detection_rate = (detection_success_count / detection_total_count) * 100 info(f"轨迹检测成功率: {detection_rate:.1f}% ({detection_success_count}/{detection_total_count})", "统计") # 如果有目标距离，判断是否达到目标 if target_distance: is_success = abs(final_distance - target_distance) < 0.2 # 误差在20cm内算成功 if observe: if is_success: success(f"成功到达目标距离，误差: {abs(final_distance - target_distance):.2f}米", "成功") else: warning(f"未能精确到达目标距离，误差: {abs(final_distance - target_distance):.2f}米", "警告") return is_success return True def follow_left_side_track(ctrl, msg, target_distance=150, speed=0.3, max_time=30, observe=False): """ 控制机器狗向左侧移动并靠近左侧的黄色轨迹线，只进行侧向移动，不进行前进 参数: ctrl: Robot_Ctrl 对象，包含里程计信息 msg: robot_control_cmd_lcmt 对象，用于发送命令 target_distance: 目标与左侧线的像素距离，默认为150像素（保持一定间距） speed: 侧向移动的最大速度(米/秒)，默认为0.3米/秒 max_time: 最大执行时间(秒)，默认为30秒 observe: 是否输出中间状态信息和可视化结果，默认为False 返回: bool: 是否成功达到目标位置 """ section("开始左侧轨迹线跟随", "左侧跟踪") # 设置移动命令基本参数 msg.mode = 11 # Locomotion模式 msg.gait_id = 26 # 自变频步态 msg.duration = 0 # wait next cmd msg.step_height = [0.06, 0.06] # 抬腿高度 # 记录起始时间 start_time = time.time() # 记录起始位置 start_position = list(ctrl.odo_msg.xyz) if observe: debug(f"起始位置: {start_position}", "位置") # 在起点放置绿色标记 if hasattr(ctrl, 'place_marker'): ctrl.place_marker(start_position[0], start_position[1], start_position[2] if len(start_position) > 2 else 0.0, 'green', observe=True) # PID控制参数 - 侧向移动的PID参数，根据近距离跟踪需求调整 kp_side = 0.0025 # 比例系数 ki_side = 0.0001 # 积分系数 kd_side = 0.001 # 微分系数 # 记录目标到达状态和稳定计数 target_reached = False stable_count = 0 required_stable_count = 8 # 需要连续稳定的检测次数 # PID控制变量 previous_error = 0 integral = 0 # 最大侧向速度限制 max_side_velocity = speed # 使用参数传入的速度作为最大侧向速度 # 检测成功计数器 detection_success_count = 0 detection_total_count = 0 # 保存上一次有效的检测结果，用于检测失败时的平滑过渡 last_valid_track_info = None # 滤波队列 filter_size = 5 distance_queue = [] # 动态调整目标距离的阈值 target_reached_threshold = 25 # 在目标距离±25像素范围内视为达到目标 # 开始跟踪循环 while time.time() - start_time < max_time: # 获取当前图像 image = ctrl.image_processor.get_current_image() # 检测左侧轨迹线 detection_total_count += 1 track_info, tracking_point = detect_left_side_track(image, observe=observe, delay=500 if observe else 0, save_log=True) if track_info is not None: detection_success_count += 1 # 保存有效的轨迹信息 last_valid_track_info = track_info # 获取当前与左侧线的距离 current_distance = track_info["distance_to_left"] # 添加到滤波队列 distance_queue.append(current_distance) if len(distance_queue) > filter_size: distance_queue.pop(0) # 计算滤波后的距离值 (去除最大和最小值后的平均) if len(distance_queue) >= 3: filtered_distances = sorted(distance_queue)[1:-1] if len(distance_queue) > 2 else distance_queue filtered_distance = sum(filtered_distances) / len(filtered_distances) else: filtered_distance = current_distance if observe and time.time() % 0.5 < 0.02: debug(f"原始左侧距离: {current_distance:.1f}px, 滤波后: {filtered_distance:.1f}px, 目标: {target_distance}px", "距离") # 计算误差 - 正误差表示需要向左移动，负误差表示需要向右移动 error = target_distance - filtered_distance # 检查是否达到目标位置 if abs(error) < target_reached_threshold: # 误差小于阈值视为达到目标 stable_count += 1 if stable_count >= required_stable_count: if not target_reached: target_reached = True if observe: success(f"已达到目标位置，误差: {abs(error):.1f}px", "成功") else: stable_count = 0 target_reached = False # 比例项 p_control = kp_side * error # 积分项 (添加积分限制以防止积分饱和) integral += error integral = max(-500, min(500, integral)) # 限制积分范围 i_control = ki_side * integral # 微分项 derivative = error - previous_error d_control = kd_side * derivative previous_error = error # 计算侧向速度 side_velocity = p_control + i_control + d_control # 应用非线性控制，加快大距离靠近，减缓小距离微调 if abs(error) > 100: # 大误差时，增强响应 side_velocity *= 1.2 elif abs(error) < 40: # 小误差时，减弱响应，增加稳定性 side_velocity *= 0.7 # 限制侧向速度范围 side_velocity = max(-max_side_velocity, min(max_side_velocity, side_velocity)) # 如果已达到目标，进一步降低侧向速度以减少振荡 if target_reached: side_velocity *= 0.4 if observe and time.time() % 0.5 < 0.02: debug(f"误差: {error:.1f}px, P: {p_control:.4f}, I: {i_control:.4f}, D: {d_control:.4f}", "控制") debug(f"控制指令: 侧向={side_velocity:.2f}m/s", "速度") # 设置速度命令 - [前进速度, 侧向速度, 角速度] # 侧向速度为正表示向左移动，为负表示向右移动 # 前进速度保持为0，只进行侧向移动 msg.vel_des = [0, -side_velocity, 0] # 使用轨迹线斜率进行小角度调整，确保机器人方向与轨迹线平行 if not track_info["is_vertical"]: # 对于非垂直线，进行角度校正 slope = track_info["slope"] # 计算旋转角度 - 垂直线的ideal_angle应该是0 angle_correction = -math.atan(1/slope) if abs(slope) > 0.01 else 0 # 将角度校正应用为小的角速度 angular_velocity = angle_correction * 0.25 # 限制角速度范围 angular_velocity = max(-0.25, min(0.25, angular_velocity)) if abs(angular_velocity) > 0.01: # 只在需要明显校正时应用 msg.vel_des[2] = angular_velocity if observe and time.time() % 0.5 < 0.02: debug(f"应用角度校正，斜率: {slope:.2f}, 角速度: {angular_velocity:.3f}", "校正") else: warning("未检测到左侧轨迹线", "警告") # 如果之前有有效检测结果，使用上一次的控制值但降低强度 if last_valid_track_info is not None and len(distance_queue) > 0: # 如果上次距离已经接近目标，维持当前位置 last_error = target_distance - distance_queue[-1] if abs(last_error) < 50: # 如果接近目标距离 side_velocity = 0 # 停止侧向移动 if observe: info("接近目标位置，保持当前侧向位置", "保持") else: # 向目标方向缓慢移动 side_velocity = 0.08 * (1 if last_error > 0 else -1) if observe: info(f"距离目标较远，缓慢向{'左' if side_velocity > 0 else '右'}移动", "调整") msg.vel_des = [0, side_velocity, 0] if observe: warning(f"使用降低强度的控制: 侧向={side_velocity:.2f}m/s", "恢复") else: # 如果从未检测到轨迹线，默认向左侧移动一点，尝试找到轨迹线 default_side_velocity = 0.1 msg.vel_des = [0, default_side_velocity, 0] if observe: warning(f"无法检测到左侧轨迹线，向左移动尝试寻找: {default_side_velocity:.2f}m/s", "警告") # 发送命令 msg.life_count += 1 ctrl.Send_cmd(msg) # 短暂延时 time.sleep(0.05) # 计算已移动距离(仅用于记录) current_position = ctrl.odo_msg.xyz dx = current_position[0] - start_position[0] dy = current_position[1] - start_position[1] distance_moved = math.sqrt(dx*dx + dy*dy) if observe and time.time() % 2.0 < 0.02: # 每2秒左右打印一次 info(f"已移动: {distance_moved:.3f}米, 已用时间: {time.time() - start_time:.1f}秒", "移动") # 显示检测成功率 if detection_total_count > 0: detection_rate = (detection_success_count / detection_total_count) * 100 info(f"左侧轨迹检测成功率: {detection_rate:.1f}% ({detection_success_count}/{detection_total_count})", "统计") # 平滑停止 if observe: info("开始平滑停止", "停止") # 平滑停止 - 由于没有前进速度，只需要停止侧向移动 slowdown_steps = 3 for i in range(slowdown_steps, 0, -1): slowdown_factor = i / slowdown_steps msg.vel_des = [0, 0, 0] # 完全停止所有移动 msg.life_count += 1 ctrl.Send_cmd(msg) time.sleep(0.1) # 最后完全停止 ctrl.base_msg.stop() # 计算最终移动距离 final_position = ctrl.odo_msg.xyz dx = final_position[0] - start_position[0] dy = final_position[1] - start_position[1] final_distance = math.sqrt(dx*dx + dy*dy) if observe: # 在终点放置红色标记 end_position = list(final_position) if hasattr(ctrl, 'place_marker'): ctrl.place_marker(end_position[0], end_position[1], end_position[2] if len(end_position) > 2 else 0.0, 'red', observe=True) success(f"左侧轨迹跟随完成，总移动距离: {final_distance:.3f}米", "完成") # 显示检测成功率 if detection_total_count > 0: detection_rate = (detection_success_count / detection_total_count) * 100 info(f"左侧轨迹检测成功率: {detection_rate:.1f}% ({detection_success_count}/{detection_total_count})", "统计") return target_reached # 用法示例 if __name__ == "__main__": move_to_hori_line(None, None, observe=True) # 90度左转 arc_turn_around_hori_line(None, None, angle_deg=90, observe=True) # 180度右转 arc_turn_around_hori_line(None, None, angle_deg=-90, observe=True) # 双轨道跟随 follow_dual_tracks(None, None, observe=True) # 左侧轨迹跟随 follow_left_side_track(None, None, observe=True)