NODE 01
图像处理与点云处理
使用 OpenCV、PCL 处理相机与激光雷达数据，为识别、定位和环境感知建立可靠的数据基础。
OpenCVPCL图像处理三维点云
TEAM GROUP
视觉组
负责目标识别、自瞄、定位感知、目标跟踪与运动预测，以及视觉算法部署和实机联调。
OpenCVPCLPyTorch
LEARN / BUILD / COMPETE
视觉
让机器人看见赛场，理解目标，并做出实时决策。
GMASTER TEAM GROUP
OUR MISSION
为什么需要视觉组
让机器人看见赛场，理解目标，并做出实时决策。
视觉组从相机和激光雷达采集的数据中提取有效信息，完成图像处理、目标识别、位姿解算、运动预测和系统部署，并与电控等组别协作，将结果转化为机器人可以直接使用的数据。
我们不仅关注算法能否跑起来，更关注它能否在光照变化、运动模糊、通信延迟、有限算力和复杂赛场环境中稳定、实时地工作。
PERCEPTION PIPELINE
从传感器数据到机器人决策
从图像与点云采集开始，依次完成识别、定位、跟踪和预测，最后把可靠结果交给控制系统。 每一步都必须同时满足准确性、实时性和真实赛场的稳定性。
NODE 02
目标识别与检测
结合传统视觉与深度学习方法识别机器人、装甲板等比赛目标，并完成模型训练、推理与优化。
目标检测深度学习PyTorch模型优化
NODE 03
位姿解算与目标定位
结合相机参数和目标信息，将二维图像坐标转换为机器人能够使用的三维位置与姿态。
相机模型PnP坐标变换空间定位
NODE 04
目标跟踪与运动预测
利用连续观测估计目标运动状态并预测未来位置，为自瞄等实时系统提供稳定输入。
目标跟踪状态估计运动预测自瞄
NODE 05
算法部署与实机联调
把算法部署到机器人计算平台，处理帧率、延迟和算力问题，并打通通信、云台与底盘控制链路。
ROS2性能优化通信联调实机部署
VISION IN THE FIELD
算法写在代码里答案留在赛场上
从传感器采集、实机调试到比赛自检，视觉系统要经过一轮又一轮现场验证， 才能把实验结果变成机器人稳定可用的感知能力。
01 / 赛场感知
相机与传感设备记录真实赛场信息，为识别、定位和系统验证提供数据。
02 / 实机调试
围绕相机、云台和计算平台检查识别结果、延迟与运动响应。
03 / 工程复盘
追问每一次误差从哪里来，再把答案写回模型、参数和工程实现。
YOUR VISION PATH
从第一帧图像
到第一次实机决策
四个阶段不是固定课程表，而是一条从基础实验走向真实机器人系统的成长路线。
STAGE 01
视觉基础
从 C++ / Python、OpenCV 和相机基础开始，完成图像处理与相机标定。
阶段目标
能够独立处理真实相机数据
STAGE 02
视觉算法
学习目标检测、位姿解算、目标跟踪与运动预测，并参与实际视觉项目。
阶段目标
完成一个相对完整的视觉算法模块
STAGE 03
工程部署
让算法在真实机器人上运行，处理帧率、延迟、算力占用和通信问题。
阶段目标
让算法不仅能运行，而且能上场
STAGE 04
系统协作
参与视觉、电控及其他系统的联合调试，在比赛环境中持续发现并解决问题。
阶段目标
独立分析和解决视觉工程问题
WHAT YOU WILL LEARN
在这里，你会真正学到什么
不是课程目录，而是在机器人上反复使用、调试并最终交付的工程能力。
LEARN 0101
C++ / Python 编程与数字图像处理
LEARN 0202
OpenCV、PCL 与相机标定
LEARN 0303
激光雷达、点云处理与三维环境感知
LEARN 0404
目标检测、深度学习与 PyTorch 模型训练
LEARN 0505
位姿解算、空间坐标变换与运动预测
LEARN 0606
SLAM、机器人定位与路径规划
LEARN 0707
多传感器融合与 ROS2 软件系统
LEARN 0808
实时性能优化及视觉、导航、控制系统联调
SKILLS & TOOLS
穷究原理洞悉本质
算法思维实验设计问题定位工程调试系统协作
/ OpenCV/ PCL/ PyTorch/ C++/ Python/ ROS2
