找一份别人已经踩过坑的开源方案
回车搜索 · 「全文」检索正文、简介与作者 · 「知识库」检索 AI 提取的型号、参数、取舍与踩坑诺丁汉大学联队
写在最开始 为什么会有这个帖子 RM比赛的很多队伍在长久以来一直面临一个非常明显的问题，即，在机械还在画车造车的时候，各位电控组成员似乎除了带小登，维护老车之外无事可做，但如果小登或者老车有什么问题的话，电控组只能被迫天天摸鱼，有事没事抽机械陀螺，随后在赛前把前面摸的所有的鱼狠狠地找补回来。 问：那么有什么办法可以解决这个问题呢？ 答：让电控在出车之前就把车在仿真里面写好控制策略，等实车造出来之后按照仿真进行部署。 我其实早在2023年就有过这样的念头了，但是想法的开始往往也是想法的结束，很多队伍往往会在产生这个想法之后，随着之后的一系列问题而被迫停手，转回到抽机械陀螺的无聊时光之中。 本队在面对这种问题时，在URDF的导出上，选择了一种在我们认为非常合理的做法：让机械自己构建和维护自己的机械的所有的运动约束。 因此本贴的核心目的实际上是借助论坛来保存我队
RM2026-复旦大学-星云 EGA 战队】自定义客户端与模拟器开源
写在前面 最早做这套客户端时，考虑到操作手既要控车，又要看位置、血量、资源、比赛阶段和突发事件。信息本身并不少，真正麻烦的是它们分散在不同位置，关键时刻还需要操作手切换。于是我们从赛事协议接入开始，把比赛状态、战术地图、两路视频和语音提示逐步接到同一个自定义客户端里。 事实证明这个做法在国赛现场也确实明显帮助操作手解决很多问题。 下面这张画面来自一段连续对战录屏。比赛阶段、双方机器人状态、战术地图、事件和统计都在同一个界面中持续更新； 图 1
视觉模型统一部署库与识别模型开源
NNdeployment｜RoboMaster 视觉模型统一部署库与识别模型开源 仓库地址： SZURPVision/26_NNDeployment_Lib_and_Detection_Models: RoboMaster26赛季的部署库与模型开源仓库 NNdeployment 是面向 RoboMaster 视觉任务的 C++ 网络部署库。项目以统一接口封装模型预处理、推理与后处理，当前支持 V5/V8 装甲板四关键点、雷达四关键点和能量机关五关键点结果解析，可在构建时
飞镖系统双目测距及前端制导开源
本文档为RM2026山东理工大学齐奇战队飞镖系统双目测距及前端制导开源。
RM Schedule 赛程分析软件
华南理工大学华南虎战队自研赛程分析软件，实时更新、智能推演对阵信息，带你一图看懂瑞士轮。 正式环境：https://schedule.scutbot.cn/ 前端仓库：https://github.com/scutrobotlab/rm-schedule-ui 后端仓库：https://github.com/scutrobotlab/rm-schedule 演示视频
技术报告 北京理工大学追梦战队 RM2026 技术报告开源
本开源项目为北京理工大学 DreamChaser战队 2026 赛季工程机器人技术报告开源，并整合了机械、控制
开源
仓库链接：HargereavesQin/bit-auto-label: Robomaster Auto-labeling tool via sam 前言 目前基于 ONNX 的自动标注脚本存在明显痛点：先前的半自动流程通常先手动标注几十张或一百多张数据，再训练得到粗糙的 .pt / ONNX 模型做粗标，随后人
RM Extension 浏览器插件
浏览器里的 RoboMaster 助手，持续扩展 RM 的使用体验与无限可能。 源代码 ·
舵轮底盘控制开源
各位RMer，大家好 本帖开源山东理工大学齐奇战队在舵轮底盘研发与维护过程中沉淀的一部分控制代码和文档，内容聚焦四舵轮底盘的运动学解算、最优角、三次余弦轮速补偿、底盘行为状态机、CAN 电机接口与移植方法。 1. 项目背景与开源初衷 本人曾任山东理工大学齐奇战队 2023 赛季队长兼电控组组长。自 2023 至 2025 赛季，持续参与舵轮底盘的研发、调试与维护；2025 年毕业后，仍以队伍成员的身份继续关心队伍。 2026 赛季，我随队参与联盟赛、区域赛和复活赛。齐奇战队在本赛季闯入复活赛，距离全国赛仅一步之遥。本次开源希望把已在实车研发和维护中使用过的控制思路留给队伍，也为尝试舵轮底盘的 RoboMaster 队伍提供一个可读、可移植的起点。
复旦大学 星云EGA战队
仓库链接： https://github.com/chushanxiaodaoshi/XYEGA_RM2026_WheelLeg_Infatry_RLdeploy.git
复旦大学 星云EGA战队
开源链接： https://github.com/yly-true/fudan_rl_wheel_leg.git
FEC前向纠错防丢包通信技术及其应用开源
最近总是看到有人在提放开无线通信。 这是我在全国赛吊射图传自定义消息上用到的一项技术，用于对抗赛事网络的随机丢包。该技术无须设计重传机制或者多次重发补齐，使用较小的冗余量即可做到在随机丢包环境中数据的补全，保证通信稳定的情况下，在延迟和数据量中做到了平衡 截止目前（2026.8.17）透露的规则没有说明小无人机会不会搭载裁判系统，也不知道会不会有通信功能，对于新无人机，集群之间如果完全无法通信那么将损失很多上限和可玩性 通信技术离产品也很近在赛场上却一直没有什么用武之地，既然有26赛季引入无线电解析的大胆举动，那么逐步开放自定义的通信我想也是有办法做到的。希望这方面的内容也能在赛场上有用武之地，欢迎交流 项目地址 实验田： https://github.com/floatpigeon/FEC-
[RM2026 自瞄开源]仲恺农业工程学院-奇点战队
一支传统弱队前进的一小步 开源仓库：https://github.com/NOMANE-0/QD_Vision2026 开源知识库：https://nomane-0.github.io/QD_Algorithm_Library/ 项目介绍 该开源基于中南大学FYT战队24赛季自瞄开源。以下的差异均基于该开源。本项目的亮点在于搭建了一套量化调车准则，不再局限于虾调参 在保留大致框架的情况下重写了 armor_solver 移植了上海交通大学交龙战队24年开源 rm.cv.fan 的大部分算法设计（预测选板、降自由度求Yaw、重力补偿） 修改了整车模型以适配新前哨站 Matcher 改用马氏距离匹配 EKF 的 Q、R矩阵改用同济大学SuperPower战队25年开源里
局均易伤1927.2s，稳定三级干扰，多模态识别敌方我方单位!
结算画面 局均易伤时间1927.2s，
镖架独立4Z轴底座自动调平算法开源
今年的区域赛场上，较大的roll方向倾角对我们的发射有较大的影响。于是在区域赛后，我们在镖架上进行了一些修改，摘掉的原来调整Pitch的轴系，在底座的四个角加上了一套电机丝杠，仿照3D打印机热床调平的方法，做了一个镖架底座自调平的功能 加上这个结构后，我们的发射其实可以有四个自由度（Pitch、Roll、Yaw、Height（Z）），但目前我们只会用来调平和升降，暂时去掉了四自由度的控制（能够跳舞的代码已经被迭代掉了，在别的电脑上，现在找不到） 调平代码一晚上，跳舞代码写两天 也是做了一些先行探索吧，希望能给各位带来启发
超电三端校准系统LinkZap开源
请前往： https://gitee.com/fjiqiren3/linkzajiaozhunxitongzhunxitong 以获得更佳的阅读体验 完整资料备份（百度网盘）：https://pan.baidu.com/s/5kqMDdNAPQb1AMkCb9jJEFQ （包含打包好的上位机、演示视频等大文件，仓库中未收录的内容以网盘为准） gitee不方便放视频，我在这放几个当时测试时的视频吧
英雄机器人自定义客户端开源
1、前言 笔者是 Aurora 2026 赛季的英雄电控。队内直到今年二月才正式敲定由我一人着手开发自定义客户端，而当时英雄整车的进度也比较紧张，因此我没有充足时间系统学习一遍桌面客户端、前端、后端、视频处理和网络通信所涉及的完整软件开发流程。 项目中的前后端代码有相当大一部分是在 AI Agent 工具辅助下完成的。我主要负责确定需求、选择技术路线、拆分问题，并结合代码审查、仿真和实机联调不断修正结果。AI 确实显著降低了跨技术栈开发的门槛，但它并不能替代对协议、数据流、异常恢复和实战需求的判断，这一点在项目后期尤其明显。 目前客户端只在 Debian 13 上完成了较完整的开发和运行验证。Ubuntu 24 及更新版本理论上具备相近的依赖环境
VOFA-Next 基于 Tauri 重构遥遥领先的「开源」串口助手
本文根据好同志 @Horldscene 开源的 VOFA-NEXT 介绍文章
工程上位机装配算法开源
1. 摘要 RoboMaster 2026 赛季工程机器人新增的能量单元装配任务，对操作手操控机械臂进行接近、插入、位移、翻转等装配操作提出了较高要求。该项目尝试在不替代操作手主导控制的前提下，引入上位机辅助算法，完成装配站视觉定位、接近规划、受约束动作段规划、恢复动作和整个方案的仿真验证。 2. 技术报告 更完整的工程说明见技术报告：
基于Unity的能量机关合成数据生成与仿真平台设计
项目仓库地址： https://github.com/Myshrimp/RM_Labeling_Tool Unity引擎凭借其高保真物理模拟、可编程渲染管线及完善的感知工具链，已成为智能机器人视觉仿真与合成数据生成的重要基础设施。RoboMaster机甲大师赛中的能量机关（“大符”）作为核心战术节点，在高速旋转、动态灯光切换及严苛实时打击规则下，对机器人视觉系统的目标检测、关键点定位与轨迹预测能力具有极高要求。然而，真实赛场数据采集受限于场地成本、光照突变及安全风险，难以维持长期运营；人工标注又存在效率低、误差大等问题。在此背景下，如何利用Unity构建高拟真仿真环境并生成高质量合成数据，成为突破视觉算法数据瓶颈的关键路径。