За прошедшую неделю команда написала саму игру. "Морской бой" написан на языке С++ и запускается через консоль. Сейчас играть можно только вдвоём, так как пока что бота нет. Также в начальном меню на кнопку старта игры привязали запуск игры. В дальнейшем мы будем дорабатывать игру.
На 08.11.17 назначена встреча с командой, на которой мы обсудим дальнейшие действия.

Прогресс по проекту "Разработка модели движения гусеничного робота и реализация алгоритма управления" (30.10.2017 - 5.11.2017)

Участники:

  • Тростницкий Сергей
  • Ивачевский Иван
  • Волкова Виктория

Задачи:

  • Переписать Лаунч-файл для более удобной отладки
  • Доработать алгоритм регуляторов
  • Зарегистрироваться на Bitbucket и начать им пользоваться

Из-за большого количества тестирований, было решено добавить в Лаунч-файл дополнительные параметры запуска (выбор регулятора и координаты цели).

В процессе отладки мы пришли к выводу, что в алгоритме необходимо добавить квадратный корень для более точной работы, так как при низких значениях управляющей, гусеницам не хватает мощности на поворот, а при высоких поворот слишком резкий.

На графике:

  • Синий график показывает рост управляющей по старому алгоритму (u =kp * err)
  • Красный график показывает рост управляющей по новому алгоритму (u = kp * sqrt(err))

Также мы зарегистрировали команду и создали репозиторий на Bitbucket для более удобной работы.

Технология:Техническое зрение Задача:Вычислить положение человека с помощью триангуляции по Wi-Fi точкам доступа. Минимум 4 Wi-Fi точки доступа ESP8266 (1 на объекте исследования (например на человеке), 3 по комнате расставлены). Описание:Задача определение пространственной ориентации объекта актуальна. Например, как альтернатива GPS в помещении (с помощью WiFi точность выше), где GPS может не работать. Это отдельный сегмент определения абсолютных координат.

Участники

Курочкина Елизавета(ФО-260004),

Банных Адриана(ФО-260002),

Засыпкина Полина(ФО-260004).

Актуальность данной задачи
Разработка систем для решения проблем позиционирования и навигации внутри зданий является актуальной задачей, потому что здания имеют сложную структуру и человек перестаёт ориентироваться. Также, навигация внутри помещений помогает ориентироваться на улице, где в условиях плотной застройки использование систем спутниковой навигации затруднено. Такая эта проблема актуальна для Японии с высокой плотностью городской застройки. Кроме того, с помощью навигации внутри помещений можно найти ближайшую стойку регистрации в здании аэропорта, экспонат в музее,свободное место на парковке, узнать об акциях в ближайшем магазине и многое другое.
Широкое распространение технологии Wi-Fi
Существуют современные системы определения местоположения внутри помещений, как использование Bluetooth-маячков Becon, навигация по Wi-Fi, GSM, GPS, геомагнитное позиционирование. В нашем проекте использование Wi-Fi более предпочтительно для решения задачи позиционирования мобильного устройства пользователя в зданиях, так как технология Wi-Fi имеет в настоящий момент широкое распространение как на современных мобильных устройствах, так и в большинстве зданий, что позволяет задействовать для этих целей уже готовые структуры.

Также навигация поможет крупным компаниям, например, Макдоналдс, потому что посетители могут один раз подключится к Wi-fi, а потом компания будет знать, как часто человек проходит мимо Макдоналдса и посещает его, что очень важно для развития компании.
Технология применения Wi-Fi в нашем проекте

В нашем проекте мы использовали метод триангуляции. Это метод определения расстояния. Он заключается в определении местоположения закрепленных в комнате модулей в вершинах треугольника, а затем мы по трём сторонам находим высоту, и в итоге получаем координату. Основной проблемой для нас это был способ определения расстояния между источником сигнала и приемником. Потому что сигнал прыгает и может быть 99% как около точки, так и в другой части комнаты. Тем более координаты точек Wi-Fi точно не известны и они могут меняется. Поэтому мы рассчитывали погрешность расстояния, определяли координаты, где находится точка доступа(реальный уровень сигнала) и где находимся мы(оцененный уровень сигнала), затем брали среднее значение.


Какие устройства мы использовали:

1. 3 платы NodeMCU

2. Аккумуляторная батарея

3. Зарядное устройство для аккумуляторной батареи.
Чего удалось достичь и что нужно доделать
1. Мы программировали модули с помощью Ардуино, сейчас с их помощью и пытаемся найти собственные координаты.

2. Мы учились вычислять уровень сигнала.

3. Работа над графикой и обработкой всех ситуаций и исключений. На данный момент сделана графика и находятся координаты.Сигнал от точек нестабильный, поэтому абсолютно точных координат пока не получаем. По совету куратора мы пытаемся обработать расчёты фильтрами. На данный момент оборудование сдано, теперь будем пользоваться своими точками доступа в виде телефонов.
Список литературы
1. Щекотов М.С. Анализ подходов к позиционированию внутри помещений с использованием трилатерации сигналов Wi-Fi. (Статья)

2. https://habrahabr.ru/post/245325/

Прогресс по проекту "Разработка модели движения гусеничного робота и реализация алгоритма управления" (23.10.2017 - 29.10.2017)

Участники:

  • Тростницкий Сергей
  • Ивачевский Иван
  • Волкова Виктория

Задачи:

  • Подбор коэффициентов к регуляторам
  • Реализация поворота на ходу

В ходе работы, был произведен подбор коэффициентов. Подставлялись случайные значения, которые постепенно регулировались в соответствии с результатом. По итогу подбора коэффициентов, были найдены оптимальные значения.

В процессе реализации поворота на ходу возникли следующие трудности: в нашем распоряжении было всего два канала для подачи мощности на гусеницы. Один канал отвечает за подачу мощности на две гусеницы, другой - только на правую. Из-за особенностей сборки робота пришлось найти дополнительные коэффициенты, которые были использованы при подаче мощности на гусеницы.

Участники:

Кутемба Мчанга
Артём Евстигнеев
Никита Токарев
Борисенко Георгий (первокурсник)

Было решено писать бота на языке программирования Python. 27.10.17 была встреча с командой, на которой мы обсудили концепцию приложения и написали стартовое меню с возможностью выбора взаимодействия с ботом посредством кнопок: игры с ним или его обучения, кнопка для вызова помощи и выхода. Для написания меню была использована библиотека Tkinter.

Второй отчёт по проектной деятельности

26 октября мы снова встретились с куратором проекта. Мы получили необходимое ПО для начала работы над проектом, примеры реализации openframeworks, opencv. Был протестирован функционал данных библиотек. Теперь ожидаем дальнейших указаний от куратора.

Библиотека

Тест1

Тест2

Маски

Первый отчёт по проектной деятельности

Участники:

  • Васясин Дмитрий
  • Максим Гнатив
  • Постников Алексей
  • Даниил Корецкий
  • Савелий Потоцкий
  • Евгений Фирстов

12 октября мы встретились с куратором проекта. Мы получили список необходимого ПО для ознакомления с темой проекта. Также куратор предоставил нам видеоматериалы для лучшего понимания задачи проекта, и мы обговорили проблемы, с которыми мы можем столкнуться при разработке. После мы начали изучение библиотеки, необходимой для нашего проекта (openframeworks).

Наш путеводитель проводит анализ человека по информации, полученной с его страницы в соц. сети «ВКонтакте» путём парсингаличных данных и определения ключевых слов. Полученные данные обрабатываются в нейронной сети и мы получаем информацию об увлечениях человека в процентном отношении по ключевым словам. На основе полученных увлечениях, используя API сервиса «Яндекс.Карты», определяются наиболее подходящие события вокруг геопозиции пользователя.

Участники: 

  • ФО-260002 Сергеев В.
  • ФО-260002 Зотов А.
  • ФО-260002 Книга С

Прикрепленные первокурсники:

  • РИ-170012 Трушов К.
  • РИ-170012 Донов Д.

Была определена новая тема проекта, утверждена, продумана структура программы, детали ее реализации.

Наш путеводитель проводит анализ человека по информации, полученной с его страницы в соц. сети «ВКонтакте» путём парсинга личных данных и определения ключевых слов.

Полученные данные обрабатываются в нейронной сети и мы получаем информацию об увлечениях человека в процентном отношении по ключевым словам.

На основе полученных увлечениях, используя API сервиса «Яндекс.Карты», определяются наиболее подходящие события вокруг геопозиции пользователя.

Программа представляет собой приложение ВКонтакте.

Используемые API:

  • Яндекс.карты
  • Actionlist
  • VK

(Структура программы)

(Часть UML схемы интерфейсов программы)

Прогресс по проекту «Алгоритм одновременного позиционирования и картографирования для наземного робота (SLAM)» (16.10.2017 - 22.10.2017)

Прогресс по проекту «Алгоритм одновременного позиционирования и картографирования для наземного робота (SLAM)» (16.10.2017 - 22.10.2017)

Участники:

  • Клещев Алексей
  • Галембо Егор
  • Кирьянов Данил

Поставленные задачи в период с 16.10.2017 по 22.10.2017:

  • Проанализировать недостатки реализации SLAM и выбрать метод.

ORB­SLAM является универсальным и довольно точным решением задачи Monocular SLAM. Система способна в реальном времени вычислять траекторию камеры и строить разреженную трёхмерную реконструкцию сцен самых разных размеров: от рабочего стола до нескольких городских кварталов.

Недостаток – недоступность камеры.

DP­SLAM – реализация, использующая показания лазерного дальномера и фильтр частиц для хранения гипотез о положении робота и конфигурации окружающей его сцены.

Недостаток – необходимость в точных датчиках.

Grid Maps – подход, описывающий средства хранения и обновления информации о сцене, окружающей робота.

Недостатки – несоответствие действительности (незначительное).

В ходе активных дискуссий был выбран GridMaps. Основными его преимуществами стали:

  • Сцена представляется как набор клеток, каждая из которых соответствует небольшому участку пространства. Это и обеспечивает относительную невосприимчивость алгоритма к небольшим погрешностям замеров.
  • Каждая клетка либо полностью занята, либо полностью свободна.
  • Реализация не очень затратна по памяти
  • Не важно, откуда поступает информация об окружающем мире и каким образом она была получена, что обеспечивает модульность системы.
  • Возможна работа с неточными датчиками.
  • Позволяет реализовать алгоритм, не использующий операции деления нецелых чисел.
24.10.2017, 21:17
kopeПользователь
Прогресс по проекту создания стикер-бот

Участники:

  • Оборин Дмитрий ФО-260001
  • Айрапетян Арманд ФО-260001
  • Копылов Дмитрий ФО-260001

Перед нами были поставлены следующие задачи:

  1. Научиться распознавать человеческое лицо на изображении
  2. Суметь вырезать нужную область работы, т.е. лицо
  3. Создать пустого telegram-бота
  1. Для решения поставленной задачи мы использовали библиотеку dlib. Пример работы предоставлен на изображениях 1 и 2 ниже. Как можно заметить, с помощью данной библиотеки возможно распознать лицо и выделить его контуры.

  2. Для работы непосредственно с лицом нам необходимо вырезать нужную рабочую область. Контур лицо состоит из 68 точек, соединенных между собой. Нами был составлен алгоритм, который решает поставленную задачу. Рассмотрим пример на изображениях 3 и 4 ниже. Нам дано изображение размер 10х10 пикселей и координаты точек (в нашем случае точек 9). После выполнения программы мы получаем нужную нам рабочую область. В нашем случае это получилось изображение 5х4 пикселя. Стоит заметить, что изображение подверглось обрезке и ненужные нам области имеют прозрачный фон.

  3. Создание telegram-бота без функционала не составило нам каких-либо проблем. Изображение 5. 

Подписка на новости
Контакты

Адрес: г. Екатеринбург, ул. Мамина-Сибиряка 145, к. 1119 (на карте)

Тел.: +7 (343) 355-93-88

info@cosmoport.club