工创赛物流小车

基于 ROCK-5B RK3588 平台 STM32F407ZGT6下位机控制

文档还在慢慢整理中，readme也会持续更新，工程也存在少许bug和可以改进等着大家一起发现讨论。

QQ 1185615715

整车硬件方案

主控： 瑞芯微RK3588 rock-5b嵌入式开发板 ，完成任务主体逻辑控制和视觉处理任务，使用串口与下位机通信。

选型原因：相较于传统视觉方案，树莓派等常用嵌入式开发板在神经网络上的硬件性能不足，故使用搭载rknpu的rock-5b板端推理yolov5目标检测模型，可以很好的完成视觉检测任务。

下位机底板主控STM32F407ZGT6，完成车辆动作的底层控制，如直行，转向，机械臂装载等。同时连接陀螺仪等传感器。

选型原因：方案起初选择使用F103RCT6，但受限于IO口数量和串口数量，最后选择资源足够多的F407ZG以防止出先资源不够的问题。

麦克纳姆轮：天府之土 陀螺仪：HWT101 步进电机：张大头闭环42步进电机 舵机：电赛剩余的普通大扭矩舵机，在赛场上也遇见使用了御龙者50KG舵机的方案，效果非常不错。 屏幕显示：陶晶驰串口屏

视觉方案

使用RKNPU，将YOLOv5转换为RKNN部署模型到ROCK-5B进行视觉推理

模型部署步骤：PC端使用官方git上yolov5仓库进行训练并转化为onnx模型->在Linux端（虚拟机）Ubuntu 20.04 部署RKNNToolkit2 进行onnx模型转为rknn模型->rock5b板端部署rknn模型，进行推理。（可以采用多线程推理方案，将多核NPU性能释放完全，由于时间关系我们的项目只开发了rknpu实际性能的六分之一。） 使用多线程实时更新视频流，降低视频帧读取的延迟

定义Camera python类，实现start，stop，read方法

更改了原始基础视觉方案 弃用了Opencv传统视觉方案，减少对光线的要求，避免在赛场临时更改阈值同时提升了视觉处理性能，视觉处理速度能达到30FPS，完全能满足赛题对视觉处理的要求。

最后的最后，感谢这两个月来，和我共同奋战备赛的队友电控wsl，建模dxy，还有在背后一直提供支持的cyf同学，还有给我们两个月天天开实验室门禁的韩老师。此次比赛我们从0开始，没有任何的前人方案，没有任何机械方面专业的知识，经过不断的试错，改错，熬了无数的夜，克服了各种各样的困难，顶住了来自四面八方的压力，最后能做出这套还算能拿的出手的作品。虽然结局没有那么尽善尽美，但过程一定是苦涩但美好的。大家都在说结果没有那么重要，重要的是我们在过程中学到了什么，学会了什么。我们问心无愧，这样就够了

我相信，这一路的颠沛流离，最后，我们一定会有一个值得的结局。 — the end