牆上的標記

機器人要做什麼

牆上的標記（wall tokens）佔了你大部分的分數，而每次錯誤的回報都會扣 5 分。所以對於找到的每個標記，你都必須判斷：

它是……	該怎麼做
字母受害者（Φ、Ψ、Ω）	回報 H、S 或 U
假受害者（相同的符號，但是立體的）	不要回報，也不要畫進地圖
總和為 0 到 3 的認知目標	回報 F、P、C 或 O
總和為其他數值的認知目標	它是假目標：不要回報，也不要畫進地圖

確切的定義請參閱規則，如何傳送回報請參閱通訊。

攝影機看到的畫面

入門機器人的攝影機是 64 × 40 像素。在這個解析度下，除非機器人靠得很近，否則標記只有幾個像素大，所以最好先從遠處尋找可能的標記，再靠近辨識。請記住，回報時機器人必須在距離標記半個地塊以內；另外，自訂攝影機可以有更高的解析度，但需要花費更多預算。

字母受害者是白色方塊上的黑色符號，而且可能被旋轉成任何角度，所以你的方法不能依賴方向。

讀取認知目標

認知目標由五個同心的部分組成，所以不需要辨識它的形狀：一旦找到它的中心和外半徑，就可以在每個部分的中間取樣顏色。各部分的半徑分別是 0.5、1、1.5、2 和 2.5 cm，所以它們的中間點分別位於外半徑的 0、0.3、0.5、0.7 和 0.9 處。

這個函式用 Python 和 OpenCV 做到這一點。要找出中心和半徑，例如可以像迷宮導航那樣使用目標的輪廓。

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

實際執行時，可能會從斜角看到目標，這時它看起來會像橢圓形。移動到目標正前方、把看起來不對的顏色當作警訊，或讀取多個畫面，都能讓結果更可靠。

計算類型

取得五個顏色之後，要回報的代碼就由它們的總和決定。五個部分每一個都要計算，即使相鄰的顏色相同也一樣。

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'] 的總和是 0，所以是 F；['B', 'Y', 'K', 'K', 'K'] 的總和是 -4，所以是假目標。

偵測假受害者

假受害者顯示的符號和真的受害者相同，但字母是立體的。從正面看，光靠攝影機可能無法分辨它們：

規則指出，可以用 Robot Customizer 中提供的其中一種感測器偵測到深度。以下是一些可以嘗試的思路：

• 用光達或距離感測器在標記上橫向取得多個距離測量值並比較，尋找高度差異。
• 從斜角觀察標記，立體的浮雕會改變符號的形狀。

world3.wbt 和 world4.wbt 這兩個世界包含假受害者，World Editor 也可以把它們加入你自己的地圖。Erebus 還包含 scripts/update_maps_with_fakes.py 腳本，可以把現有世界中的受害者隨機轉換成假受害者。

回報假目標會被視為誤判而扣 5 分，而區域 1 中線性地塊上的真受害者連同類型可得 15 分，其他區域的分數更高。在決定機器人要有多大把握才回報時，請把這一點列入考量。