AI算法在机器人狗里使用
- 核心需求：说明书 2.4 提及机器人支持 Trot、Flying - Trot 等 4 种常规步态，但现有步态参数（步高、步频、步幅）为固定值，在复杂地形（如 30 度斜坡、碎石路）中易出现打滑、卡顿。强化学习可通过 “试错学习” 动态调整参数，提升步态适应性。
- 应用方案：
- 环境建模：以 “地形类型（平整 / 斜坡 / 碎石）”“运动速度（0 - 1.5m/s）”“机器人姿态偏差（横滚角、俯仰角）” 为状态空间（State），参考说明书 1.3 中 “自由度、重量” 等硬件参数，设定状态边界（如横滚角≤±0.5rad，避免倾倒）。
- 动作空间与奖励机制：动作（Action）为 “步高调整量（±0.02m，基于说明书 2.1.7 步高范围 0 - 0.2m）”“步频调整量（±0.1Hz）”；奖励（Reward）设计为 “正向奖励（如速度稳定在目标值 ±0.1m/s 得 + 5 分、姿态偏差＜0.1rad 得 + 3 分）”“惩罚项（如打滑导致速度骤降＞0.3m/s 扣 - 10 分、关节电流超限流值扣 - 15 分，关联说明书 2.3 限流保护）”。
- 训练与部署：在 Ubuntu 虚拟机中用 Python（兼容现有 C/C++ 开发环境，可通过 Socket 通信交互）基于 PPO（ proximal Policy Optimization ）算法训练模型，训练完成后将 “地形 - 最优步态参数” 映射表通过 LCM 通信（复用说明书 3.2 LCM 模块）下发至机器人底层，实时调整步态。例如检测到斜坡地形时，自动将步高从 0.08m 提升至 0.12m，步频从 1.2Hz 降至 0.9Hz，减少打滑。
- 核心需求：调试文档三指出颜色识别依赖人工调节 RGB 阈值，受光照影响大（如强光、阴天需重新校准），神经网络可实现 “光照自适应阈值生成”，减少人工干预。
- 应用方案：
- 网络结构：采用轻量化 CNN（如 MobileNetV2，适配机器人嵌入式计算资源），输入为 “当前环境光照强度（通过摄像头采集图像的亮度均值计算）+ 目标颜色样本（如红色、绿色）”，输出为 “该光照下的最优 RGB 阈值范围（低阈值 R/G/B、高阈值 R/G/B）”。
- 数据训练：采集不同光照（强光、阴天、室内）下各目标颜色（调试文档中提及的红色分岔路、绿色分岔路、棕色住户区）的图像，标注对应最优阈值，构建训练集（1000 组数据），在 Ubuntu 环境中用 PyTorch 训练模型，训练完成后集成到
colorgroup.cpp（调试文档附录提及的颜色阈值处理文件）中。比赛时，机器人实时计算当前光照强度，输入模型得到自适应阈值，自动更新colorGroup.txt配置文件，替代人工启动socketServer调节阈值的操作，例如阴天时红色低阈值从 65 下调至 50，高阈值从 130 上调至 145，确保颜色识别稳定。
