Skip to content

step.md

Latest commit

 

History

History
151 lines (101 loc) · 6.89 KB

step.md

File metadata and controls

151 lines (101 loc) · 6.89 KB

进入研究模式，目标是研究编写一个README.md的项目蓝图，一个DEV_PLAN.md的开发计划。

我想实现一个水下机器人参数自适应调整系统，该系统用于申请软著，使用python为开发语言，我是一个软件工程的本科生，我希望使用最简单最容易实现的方式来实现该系统并申请软著，我在开发过程中会使用cursor和pycharm作为开发工具，我希望每一步的实现都会有对应的反馈来增强我的兴趣和自信心，我希望先实现系统最简单的核心模块但可正常运行作为第一个版本，该版本可以比较简陋，在此基础上不断迭代升级开发新的版本来完善系统，但每个版本都必须保证其完整可运行,功能如下：

  • 功能1：手动调节参数 -
  • 功能2：控制视觉+声纳和电机联动
  • 功能3：维持推进器平衡 -
  • 功能4：自动调节参数
  • 模块 - 部署脚本 -
  • 说明文档：README.md和DEV_PLAN.md

README.md的要求 - 详细描述整个应用，作为后续开发的蓝图，指导AI按这个蓝图框架设计和开发。 - 我想使用市面上主流的成熟的技术，技术不能太旧 - 采用的技术有详细的说明文档和教程 - 符合高内聚，低耦合的特征 - 项目可实现

DEV_PLAN.md的要求 - 按1.0、2.0、3.0的版本分类（1.0是最小可行的初始版本）； - 每个版本根据开发顺序创建TASK001这样的任务编号； - 每个任务包含名称、版本、状态（计划中、测试单元编写中、开发中、完成等）。 - 每个任务内有最小粒度的子任务，子任务的名称，子任务清单的后面，附带完整的一篇AI编程助手的详细提示词。硬件平台技术栈分析： 树莓派4B+作为主控平台，具有足够的计算能力支持多传感器融合和轻量级机器学习推理。MAVLink协议是成熟的无人系统通信标准，ArduPilot和PX4都有良好的Python支持。

六推进器配置的技术含义： 典型的六推进器配置包括：4个水平推进器（前后左右）+ 2个垂直推进器（上下），这种配置提供了6自由度的控制能力。系统需要支持推进器映射的动态配置，以适应不同的物理布局。

自适应调参算法的技术路径：

  • 强化学习：可使用Stable-Baselines3或RLlib，适合复杂的多目标优化
  • 模糊控制：使用scikit-fuzzy，适合处理不确定性和非线性
  • PID自整定：实现Ziegler-Nichols或遗传算法优化的PID参数

软著创新点技术分析： 从你提供的要求来看，系统的创新点可以体现在：

  1. 技术层面：多传感器融合的自适应权重分配算法
  2. 功能层面：基于强化学习的推进器动力智能分配
  3. 设计层面：模块化可扩展的传感器和执行器管理架构

主流技术选型调研：

  • 基础框架：Python 3.9+
  • 机器人通信：pymavlink (MAVLink的Python实现)
  • 视觉处理：OpenCV 4.8+
  • 声纳处理：需要调研具体的声纳设备SDK
  • 强化学习：Stable-Baselines3 + Gymnasium
  • 模糊控制：scikit-fuzzy
  • Web界面：FastAPI + Vue.js (现代化的前后端分离架构)
  • 数据存储：SQLite + Redis (轻量级持久化 + 高速缓存)
  • 配置管理：Pydantic + YAML

系统架构的高内聚低耦合设计： 我识别出以下核心模块边界：

  • 传感器数据采集层
  • 数据融合处理层
  • 控制决策层
  • 执行器控制层
  • 参数管理层

高频数据处理的技术挑战分析： 系统需要处理高达100Hz的传感器数据，这对Python的性能提出了较高要求。需要考虑使用NumPy、Pandas等高性能数据处理库，以及可能的C扩展来确保实时性。

声纳设备主流技术调研： 市面上主流的声纳设备包括：

  • BlueRobotics Ping系列（Ping360、Ping1D）
  • Tritech Micron系列
  • Teledyne Marine系列
  • 各厂商通常提供基于串口、以太网或CAN总线的通信接口，Python可通过pyserial、socket或python-can库进行数据采集

数据存储架构的技术含义： 根据你的需求，系统需要处理：

  • 高频时序数据（100Hz传感器数据）
  • 毫秒级时间戳精度
  • 循环存储策略
  • 多格式数据导出 这要求使用高性能的时序数据库（如InfluxDB）结合传统关系型数据库的混合架构

实时性技术架构分析： "实时性高"的要求意味着系统需要：

  • 多线程/异步处理架构
  • 实时数据流处理
  • 低延迟的网络通信
  • 硬实时或软实时的控制回路

远程访问的技术实现： 支持远程和本地访问需要：

  • WebRTC用于低延迟的视频流传输
  • WebSocket用于实时数据推送
  • JWT认证机制
  • 网络安全加密

软著创新点的技术分析： 基于你提供的详细需求，我识别出以下可能的创新点：

  1. 技术层面创新

    ：

    • 多传感器数据融合的自适应权重分配算法
    • 基于强化学习的推进器动力智能分配
    • 高频数据的实时处理和压缩存储算法

  2. 功能层面创新

    ：

    • 多模态传感器数据的统一时序分析框架
    • 可扩展的传感器和执行器配置管理系统
    • 智能化的数据异常检测和自动修复机制

  3. 设计层面创新

    ：

    • 模块化的控制算法热插拔架构
    • 基于配置文件的硬件抽象层设计
    • 多层次的系统状态监控和诊断框架

技术栈的最终确认： 基于所有分析，我现在可以确定完整的技术栈：

  • 核心框架：Python 3.10+ (支持最新的异步特性)

  • 实时通信：pymavlink + asyncio

  • 数据处理：NumPy + Pandas + Scipy

  • 时序数据库：InfluxDB 2.x

  • 关系型数据库：PostgreSQL + SQLAlchemy

  • 机器学习：Stable-Baselines3 + scikit-learn + TensorFlow Lite

  • 视觉处理：OpenCV 4.8+ + GStreamer

  • Web框架：FastAPI + WebSocket

    前端技术栈更新确认：

    • 前端界面：Vue 3 + TypeScript + Vite
    • UI组件库：Element Plus 或 Vuetify 3（Material Design风格）
    • 状态管理：Pinia（Vue 3推荐的状态管理）
    • 数据可视化：Vue-ChartJS + Chart.js 或 Vue-ECharts
    • 实时通信：Vue + WebSocket集成
    • 路由管理：Vue Router 4

  • 数据可视化：Plotly + Dash

  • 配置管理：Pydantic + YAML

  • 部署工具：Docker + Docker Compose

  • 测试框架：pytest + pytest-asyncio

系统架构的模块化设计确认：

  1. 硬件抽象层：统一的传感器和执行器接口
  2. 数据采集层：多线程的高频数据采集
  3. 数据处理层：实时数据融合和预处理
  4. 控制决策层：多算法的智能控制
  5. 数据存储层：高性能的时序和关系数据存储
  6. 人机交互层：Web界面和API接口
  7. 系统管理层：配置管理和系统监控

每个TASK都有验收标准清单和注意事项（提现用户或将来的AI助手需要注意的详细内容）