Gut Ding will Weile haben

Posted on February 20, 2022

Das Spiel diese Woche ist leider ausgefallen und wird in zwei Wochen nachgeholt.

Aufgrund eines Bugs im Schiedsrichterprogramm ist die Simulation kurz nach der zweiter Spielhälfte abgestürzt. Das Spiel gegen die Hamburger BitBots wurde neugestartet, aber der gleiche Bug hat wieder zu einem Absturz geführt. Anstatt das Spiel erneut zu simulieren, werden die Organisator:innen sich darauf fokussieren den Fehler zu beheben. Unser Spiel wurde somit verlegt und wird in zwei Wochen mit den anderen Spielen des 6ten Spieltages ausgetragen.

Obwohl es schade ist, dass wir unsere Roboter heute nicht anfeuern konnten, ist das trotzdem ein gutes Zeichen! Die letzten beiden Spiele haben unsere Roboter praktisch nichts gemacht, außer auf der Suche nach dem Ball im Kreis zu Tanzen. Jetzt machen sie endlich wieder etwas.

Wir haben viel Zeit investiert unsere Ball-Erkennung zu verbessern. Unser Software-Stack sucht bereits erfolgreich nach weißen Blobs, mithilfe von Integral-Images. Die Herausforderung ist es, diese weißen Blobs zu klassifizieren. Wir wollen wissen, auf welchen Blobs Bälle abgebildet sind und auf welchen irgendwas anderes abgebildet ist (Dieser Ansatz kann später um weitere Features erweitert werden, z.B.: Stellen identifizieren, an denen sich Linien schneiden oder Torpfosten zu sehen sind).

White blobs with balls

White blobs with no balls

In der Vergangenheit waren die Lichteinstellung, die Umgebung des Feldes, sowie der exakte Ball vor dem Spiel bekannt. Wir konnten 1-3 weiße Blobs als Referenzbilder nehmen und diese mit dann mit den erkannten weißen Blobs im Spiel vergleichen. Als Vergleichsmaß haben wir die Kullback-Leiler-Divergenz benutzt. Diese Vergleichsmetrik funktioniert leider nicht in sich ständig verändernde Umgebungen, weshalb wir eine neue Strategie benötigen.

Wir haben einen neuen Algorithmus, ähnlich zum Viola-Jones object detection framework mit der Hilfe von AdaBoost implementiert.

Für AdaBoost benutzten wir 3 verschiedene schwache Klassifizierer: KL-Divergenz, Haar-like features und den auf Pixel basierten MSE zwischen zwei Bildern.

Die Performanz haben wir mit einem Testdatensatz gemessen und eine Genauigkeit von 90% erzielt. Eine Trefferquote von 90% ist nicht sehr hoch. Besonders Bilder auf denen fälschlicherweise ein Ball erkannt wird, machen Probleme, da dies den Roboter veranlasst zu Punkten auf dem Feld zu laufen an denen kein Ball ist und dadurch viel Zeit verschwendet wird.

@BitBots, letzte Woche haben wir euch versprochen spektakulär zu Scheitern, wir wussten aber nicht, dass der Simulator mit uns scheitern wird. Wir sind vorbereitet und freuen uns auf das Derby. Es wird mit der gleichen Software vom 18. Februar gespielt. Jetzt gibt es kein Zurück!

Wir freuen uns außerdem darauf, übernächste Woche auf unseren nächsten Gegner MRL-HSL(Iran) zu treffen. Ein schnelles Team mit starkem Schuß.

Am 6. März 2022 werden wir Morgens also zwei Spiele spielen. Schaut uns live zu auf: https://www.twitch.tv/robocuphumanoidfielda Den offiziellen Spielplan gibt es hier: https://humanoid.robocup.org/hl-vs2022/humanoid-league-virtual-season-2021-22/

Die vollständige Tabelle nach einem halben fünften Spieltag:

PlatzNamePktGUVToreDiff
01.Starkit1550046:00+46
02.Bit-Bots1240028:02+26
03.CIT Brains1031129:05+29
04.MRL-HSL930220:1010
05.01. RFC Berlin721111:12-1
06.NUbots101401:35-34
07.ITAndroids101401:37-36
08.UTRA000501:36-35