triangle algo refind

design_doc/solution_record.md

@@ -221,4 +221,56 @@ Why it works:
 MIPSEND enters prompt mode (>) — after the >, the AT parser treats ALL bytes as data, including CR/LF
 We construct the complete HTTP request ourselves (headers + Content-Length + multipart body) with real CRLF bytes
 
-Key bug found during integration: _send_chunk() wrapped calls in self.at._cmd_lock, but self.at.send() also acquires the same lock internally — threading.Lock() is not reentrant, causing deadlock. Fixed by removing the outer lock (the network_manager.get_uart_lock() already provides thread safety).Trade-off: UART is locked during the entire upload, so heartbeats pause. For small JPEG files (~2-80KB), this is 5-20 seconds — acceptable if server heartbeat timeout is generous
+Key bug found during integration: _send_chunk() wrapped calls in self.at._cmd_lock, but self.at.send() also acquires the same lock internally — threading.Lock() is not reentrant, causing deadlock. Fixed by removing the outer lock (the network_manager.get_uart_lock() already provides thread safety).Trade-off: UART is locked during the entire upload, so heartbeats pause. For small JPEG files (~2-80KB), this is 5-20 seconds — acceptable if server heartbeat timeout is generous
+
+
+13. 算环数算法1：「黄心 + 红心」椭圆/圆：主要在 vision.py 的 detect_circle_v3() 里完成：颜色先用 HSV 做掩码，再在轮廓上做面积、圆度筛选，黄圈用椭圆拟合，红圈预先筛成候选，最后用几何关系配对。
+
+    1. 黄色怎么判、范围是什么？
+    图像先转 HSV（cv2.COLOR_RGB2HSV，注意输入是 RGB）。
+    饱和度 S 整体乘 1.1 并限制在 0–255（让黄色更「显」一点）。
+    黄色 inRange（OpenCV HSV，H 多为 0–179）：
+    通道	下限	上限
+    H       7       32
+    S       80      255
+    V       0       255
+    在黄掩码上找轮廓后，还要满足：面积 > 50，圆度 > 0.7（circularity = 4π·面积/周长²），且点数 ≥5 才 fitEllipse 当黄心椭圆。
+
+    2. 红色怎么判、范围是什么？
+    红色在 HSV 里跨 0°，所以用 两段 H 做并集：
+    两段分别是：
+    H 0–10，S 80–255，V 0–255
+    H 170–180，S 80–255，V 0–255
+    红轮廓候选：面积 > 50，圆度 > 0.6（比黄略松），再拟合椭圆或最小外接圆得到圆心和半径。
+
+    3. 「黄心」和「红心」怎样算一对？（几何范围）
+    对每个黄圈，在红色候选里找第一个满足：
+
+    两圆心距离 dist_centers < yellow_radius * 1.5
+    红半径 red_radius > yellow_radius * 0.8（红在外圈、略大）
+                dist_centers = math.hypot(ddx, ddy)
+                if dist_centers < yellow_radius * 1.5 and rc["radius"] > yellow_radius * 0.8:
+    小结：黄色 = HSV H∈[7,32]、S≥80（且 S 放大 1.1）+ 形态学闭运算 + 面积/圆度；红色 = 两段 H（0–10 与 170–180）、S≥80 + 闭运算 + 面积/圆度；配对用 同心/包含 的距离与半径比例阈值。若你还关心 laser_manager.py 里「激光红点」的另一套阈值（LASER_*），那是另一条链路，和靶心黄/红 HSV 可以分开看。
+
+14. 算环数算法2：
+    使用单应性矩阵计算：镜头中心点（照片中心像素）到虚拟平面的转换。它不需要知道相机在 3D 空间中的具体位置，直接通过单应性矩阵 H的逆运算，将 2D 像素“翻译”成虚拟平面上的 2D 坐标。
+
+    一、转换的本质：2D 到 2D 的“查字典”
+    单应性变换（Homography）是平面到平面的映射。它不处理 3D 空间中的“投影线”，而是直接建立图像像素 (u,v)​ 与虚拟平面坐标 (x,y)​ 的一一对应关系。
+    你可以把单应性矩阵 H想象成一本“翻译字典”：
+    正变换 H：已知靶纸上的真实位置 (x,y)，查字典得到它在照片上哪个像素 (u,v)。
+    逆变换 H−1：已知照片上的像素 (u,v)（如镜头中心点），查字典反推它在靶纸上的真实位置 (x,y)。
+    这个“虚拟平面”就是你的靶纸平面（Z=0 的世界坐标系）。算法没有在物理上移动任何点，只是在做坐标系的换算。
+
+    二、详细步骤：镜头中心点如何“落地”
+
+    相机分辨率是 640x480，镜头中心点（光轴与图像的交点）通常是 (u0,v0)=(320,240)。
+    1. 输入：镜头中心点（像素）
+    2. 核心运算：乘以逆矩阵
+    通过 4 个黑色三角形的角点（已知真实坐标）计算出了单应性矩阵 H。现在使用它的逆矩阵 H−1
+    3. 输出：虚拟平面上的落点（物理坐标）
+    计算后，你会得到：(xhit,yhit)
+    这就是镜头中心点对应的靶纸上的真实位置（单位：毫米）。
+    4. 计算环数
+    由于虚拟平面原点 (0,0)就是靶纸圆心，直接计算欧氏距离。​
+    这个 d就是箭着点偏离圆心的真实物理距离，直接用于环数判定。