# electro_optical_pod_object_detector
**Repository Path**: csc105/object_detector
## Basic Information
- **Project Name**: electro_optical_pod_object_detector
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 2
- **Forks**: 0
- **Created**: 2020-12-19
- **Last Updated**: 2024-06-20
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
# object_detector
## Content
- [Introduction](#Introduction)
- [Dependence](#Dependence)
- [Build](#Build)
- [Usage](#Usage)
## Introduction
点云聚类和图像识别。
## Prerequisite
- Ubuntu 18.04
- ROS Melodic
- PCL 1.7.0+
- Opencv 4.0.0+
- [usv-sensor-fusion-system](https://gitee.com/csc105/usv-sensor-fusion-system)
## Build
1. Build a workspace
```shell
mkdir ws/src
```
2. Clone this repository and prerequisite package in `/ws/src`
```shell
cd ws/src
git clone https://gitee.com/csc105/usv-sensor-fusion-system.git
git clone https://github.com/HoEmpire/pointcloud-fusion.git
```
3. Build the files
```shell
catkin_make
```
## Usage
### 1. Usage on the stabilization platform
1. 本地监视
用网线连接云台，设置 IP 为`222.31.31.X`，在本地 terminal 输入以下语句
```shell
export ROS_MASTER_URI=http://222.31.31.50:11311
```
设置本地 ros master 为云台，即可在本地检测数据。可视化可打开`rviz`，使用`object_detector/rviz/debug.rviz`的配置进行监视。
2. NX 上手动启动代码
先关闭开机自启动的 service, 后在`object_detecor`文件夹内重新启动所有代码
```shell
systemctl stop auto-start.service
./shell/start_onboard.sh
```
3. 外参标定
将外参标定得到的`.csv`文件改名为`data.csv`，将`data.csv`放入 matlab 工作空间内，在 matlab 内运行`object_detector/matlab/data_process.m`，即可得到 yaw 外参的标定结果（角度值）
4. 参数说明
参数文件主要为`obejct_detector.yaml`
说明如下
- 数据的 topic
```yaml
data_topic:
lidar_topic: /livox/lidar #激光雷达topic
camera_topic: /pointgrey/image_color # 相机topic
```
- 聚类后检测相关参数
$$距离系数=\frac{当前距离}{校准距离}$$
检测最小阈值与距离系数成二次关系，检测最大阈值与距离系数成线性关系，如 points_number_distance_coeff =100，points_number_max = 5000，points_number_min = 80， 则在 50m 处的聚类后点云数量为 320-10000 点可视为目标，400m 处的聚类后点云数量为 20-2500 点可视为目标
```yaml
detection:
points_number_max: 5000 #在points_number_distance_coeff距离下最大的目标检测点数
points_number_min: 9 #在points_number_distance_coeff距离下最小的目标检测点数
points_number_distance_coeff: 300.0 # 目标检测校准距离，单位为m
mode: "lidar_first" #检测方法，参数为“camera_first” or "lidar_first"，前者暂时禁用
boat_pixel_height: 80 #船检测的最小二维图像像素高度，用于滤除假目标和远处船
```
- 点云滤波相关参数
```yaml
filter:
filter_pt_num: 1 #statisticalfilter的一个batch点的数量
filter_std: 10.0 #statisticalfilter的方差阈值
filter_distance_max: 600.0 #检测点云的最远距离（单位：m）
filter_distance_min: 100.0 #检测点云的最近距离（单位：m）
```
- 聚类参数
```yaml
cluster:
cluster_tolerance: 2.0 #聚类距离的最大阈值（单位m）
cluster_size_min: 5 #聚类的最小点云数量
cluster_size_max: 5000 ##聚类的最大点云数量
```
- yolo 参数
```yaml
cam:
cam_net_type: "YOLOV4_TINY" #网络类型
cam_file_model_cfg: "/asset/yolov4-tiny-usv.cfg" #config文件地址
cam_file_model_weights: "/asset/yolov4-tiny-usv_best.weights" #权重文件地址
cam_inference_precison: "FP32" #浮点数精度，NX 上设置 WieFP16
cam_n_max_batch: 1 #batch数量
cam_prob_threshold: 0.5 #图像检测的可信度阈值，设置为0~1
cam_min_width: 0 #图像检测的最大最小宽度和高度
cam_max_width: 1440
cam_min_height: 0
cam_max_height: 1080
```
- 外参参数
```yaml
extrinsic_parameter:
translation: [0.0, 0.0, 0.0] #外参的[x.,y,z]位移，单位为m
rotation: [0.0, 0.0, 0.0] #外参[roll, pitch, yaw]旋转，单位为degree
```
- 云台指令参数
```yaml
platform:
scan_cycle_time: 20.0 #转动一个周期的时间
scan_range: 80.0 #总零位转动的最大角度
track_timeout: 10.0 #从目指切换到周扫的等待时间
```
5. 云台调试相关
1. 打开 GUI 调试界面
```
cd /home/nvidia/SimpleBGC_GUI_2_70b0
sudo ./run.sh
```
2. PID 调整
1. 点击左上角的 connect 连接云台（需要先停止代码，详见 2. 手动调试中关闭开机自启动 service 的部分）
2. 在下面的窗口内调整各轴的 PID
3. 调好后点击右下角的 write 写入
4. 可进入 Monitoring 监视调试效果，主要监视 `ERROR_ROLL`, `ERROR_PITCH`, `ERROR_YAW`，调试方法为电机左下角`MOTOR ON/OFF`断电后上电，同时监视误差大小，观察是否震荡，超调大小以及响应速度
**PID 调试常见注意事项**
- 出现高频震荡，则减小该轴的 D
- yaw 轴为了能顺滑运动，建议调整得到的曲线没有超调后者超调较小，通过减小 P 值和 I 值来保证
- 如需完整调试 PID 参数参见[官方文档](https://www.basecamelectronics.com/files/v3/SimpleBGC_32bit_manual_2_6x_chn.pdf)10-11 页
