墙面标识

机器人需要做什么

墙面标识（Wall tokens）占了你得分的大部分，而每次错误的报告都会扣 5 分。所以对于你找到的每一个标识，都必须做出判断：

它是……	怎么做
字母受害者（Letter victim：Φ、Ψ、Ω）	报告 H、S 或 U
假受害者（Fake victim：同样的符号，但是立体的）	不要报告，也不要把它画进地图
数值之和为 0 到 3 的认知目标（Cognitive target）	报告 F、P、C 或 O
数值之和为其他值的认知目标	它是假标识：不要报告，也不要把它画进地图

确切的定义请参阅规则，如何发送报告请参阅通信。

摄像头看到的画面

入门机器人的摄像头只有 64 × 40 像素。在这个分辨率下，机器人靠近之前，一个标识只占几个像素，所以最好先从远处寻找可能的标识，再靠近去识别它们。记住，报告时机器人必须在距离标识半个地块以内；另外，自定义摄像头可以使用更高的分辨率，但要花费更多预算。

字母受害者是白色方块上的黑色符号，它们可能被旋转成任意角度，所以你的方法不能依赖于方向。

读取认知目标

认知目标由五个同心的部分组成，所以不需要识别它的形状：只要找到它的圆心和外半径，就可以在每个部分的中间取样颜色。各部分的半径分别是 0.5、1、1.5、2 和 2.5 cm，所以它们的中点分别位于外半径的 0、0.3、0.5、0.7 和 0.9 处。

下面的函数用 Python 和 OpenCV 实现了这一点。要找到圆心和半径，你可以像迷宫导航中那样使用目标的轮廓。

Python

import cv2 as cv
import numpy as np

# Colour of each part in BGR order, as seen by the camera
COLORS = {
    'K': (0, 0, 0),      # Black
    'R': (0, 0, 255),    # Red
    'Y': (0, 255, 255),  # Yellow
    'G': (0, 255, 0),    # Green
    'B': (255, 0, 0),    # Blue
}

def nearestColor(bgr):
    # Returns the name of the colour that is closest to a pixel
    distances = {name: np.linalg.norm(np.array(color) - bgr) for name, color in COLORS.items()}
    return min(distances, key=distances.get)

def readRings(image, centerX, centerY, radius):
    # image is a BGR image, as in the RGB Camera tutorial
    # Returns the 5 colours from the center outwards, for example ['Y', 'B', 'R', 'K', 'G']
    rings = []
    for position in [0, 0.3, 0.5, 0.7, 0.9]:
        x = int(round(centerX + position * radius))
        y = int(round(centerY))
        rings.append(nearestColor(image[y, x].astype(float)))
    return rings

在实际运行中，机器人可能会从斜着的角度看到目标，这时它看起来像一个椭圆。移动到目标正前方、把看起来不对的颜色当作警示，或者读取多帧画面，都能让结果更可靠。

计算类型

得到五种颜色之后，要报告的代码就由它们的和决定。五个部分中的每一个都始终计入，即使相邻的颜色相同也是如此。

Python

VALUES = {'K': -2, 'R': -1, 'Y': 0, 'G': 1, 'B': 2}
CODES = {0: 'F', 1: 'P', 2: 'C', 3: 'O'}

def targetCode(rings):
    # rings is the list of the 5 colours of the target
    # Returns the code to report, or None if the target is fake
    total = sum(VALUES[color] for color in rings)
    return CODES.get(total)

C/C++

#include <map>
#include <vector>

using namespace std;

// rings has the 5 colours of the target: 'K', 'R', 'Y', 'G' or 'B'
// Returns the code to report, or 0 if the target is fake
char targetCode(const vector<char>& rings) {
    map<char, int> values = {{'K', -2}, {'R', -1}, {'Y', 0}, {'G', 1}, {'B', 2}};
    int total = 0;
    for (char color : rings)
        total += values[color];

    switch (total) {
        case 0: return 'F';
        case 1: return 'P';
        case 2: return 'C';
        case 3: return 'O';
        default: return 0;
    }
}

例如，['Y', 'B', 'R', 'K', 'G'] 的和为 0，所以它是 F；而 ['B', 'Y', 'K', 'K', 'K'] 的和为 -4，所以它是假标识。

识别假受害者

假受害者显示的符号与真受害者相同，但字母是立体的。从正面看，仅凭摄像头可能无法区分它们：

规则规定，可以用 Robot Customizer 中提供的某一种传感器检测出这种深度。下面是一些可以尝试的思路：

• 用激光雷达或距离传感器在标识上不同位置测量距离并进行比较，寻找高度差。
• 从斜着的角度观察标识，此时凸起会改变符号的形状。

world3.wbt 和 world4.wbt 这两个世界中包含假受害者，World Editor 也可以把它们添加到你自己的地图中。Erebus 还附带了脚本 scripts/update_maps_with_fakes.py，它会把现有世界中的受害者随机变成假受害者。

报告一个假标识会被算作误判，扣 5 分；而在区域 1 的线性地块上，一个真受害者连同正确类型可以得 15 分，在其他区域还会更多。在决定机器人需要多有把握才进行报告时，请记住这一点。