דלג לתוכן הראשי

יומן שינויי תוכנה 2021 - 2023

2023.6 (18/4/23)​

כיול ChArUco קל ומציגי כיול​

  • כיול ChArUco נחשב טוב יותר מכיול לוח שחמט מכיוון שהוא מטפל בהסתרות, זיהויי פינות שגויים, ואינו דורש שהלוח כולו יהיה גלוי. זה מקל מאוד על לכידת פינות לוח כיול קרוב לקצוות ולפינות התמונות שלכם. זה קריטי להערכת מקדמי עיוות.
  • תהליך הכיול של Limelight מספק משוב בכל שלב, ויבטיח שתעשו את כל הנדרש לתוצאות כיול טובות. מאמץ רב הושקע כדי להפוך את התהליך הזה לחסין תקלות ככל האפשר.
  • והכי חשוב, אתם יכולים לדמיין את תוצאות הכיול שלכם ממש ליד כיול ברירת המחדל. במבט חטוף, אתם יכולים להבין האם תוצאת הכיול שלכם סבירה או לא.
  • אתם יכולים גם להשתמש בלוח הבקרה של הכיול ככלי למידה. אתם יכולים לשנות קבצי תוצאות כיול שהורדתם ולהעלות אותם מחדש כדי ללמוד כיצד מטריצת הפרמטרים הפנימיים ומקדמי העיוות משפיעים על תוצאות מיקוד, שדה ראייה וכו'.
  • צפו בסרטון הזה:

2023.5.1 & 2023.5.2 (22/3/23)​

  • תוקנה רגרסיה שהוצגה ב-2023.5.0 - בעוד ש-2023.5 תיקן megatag לכל הפריסות הלא-מישוריות, הוא הפחית את הביצועים של הערכות תנוחה של תג בודד. זה תוקן. הערכות תנוחה של תג בודד משתמשות באותו פותר בדיוק שנעשה בו שימוש ב-2023.4.

  • ממשק תמונות מצב מהיר יותר. רשת תמונות המצב טוענת כעת תמונות ממוזערות ברזולוציה נמוכה של 128p.

  • Yaw של Limelight מוצג כעת כראוי במציגי ה-3D. הוא חיובי נגד כיוון השעון במציג ופנימית

  • ציון אילו מטרות נמצאות כעת במעקב במציג מרחב השדה

2023.5.0 (21/3/23)​

שינויים שוברי תאימות​

  • תוקנה רגרסיה - "Yaw" של מרחב הרובוט של Limelight היה הפוך בגרסאות קודמות. Yaw של Limelight בממשק האינטרנט הוא כעת חיובי נגד כיוון השעון פנימית.

עדכון בחירת אזור​

  • בחירת אזור עובדת כעת כצפוי בצינורות גלאי רשת עצבית.
  • נוספו 5 אפשרויות אזור חדשות לבחירת המרכז, למעלה, שמאל, ימין, למעלה או למטה של מלבן המטרה הלא מסובב.

REST API של "hwreport"​

  • :5807/hwreport יחזיר תגובת JSON המפרטת מידע על פרמטרים פנימיים של המצלמה ועיוות

תיקון MegaTag​

  • פריסות apriltag מסוימות שאינן קו-מישוריות היו שבורות ב-MegaTag. זה תוקן, והערכת התנוחה יציבה כעת עם כל תגי השדה. זה מאפשר הערכת תנוחה יציבה במרחקים גדולים אף יותר מבעבר.

דיוק tx ו-ty גדול יותר​

  • TX ו-TY מדויקים יותר מאי פעם. המטרות מתוקנות לחלוטין מעיוות, ושדה הראייה נקבע לחלוטין על ידי הפרמטרים הפנימיים של המצלמה.

2023.4.0 (18/2/23)​

מסנן מחלקות גלאי רשת עצבית​

ציינו את המחלקות שאתם רוצים לעקוב אחריהן לסינון קל של זיהויים לא רצויים.

תמיכה מורחבת בגלאי רשת עצבית​

תמיכה בכל רזולוציית קלט, תמיכה בצורות פלט נוספות לתמיכה בארכיטקטורות זיהוי אובייקטים אחרות. מודלים מבוססי EfficientDet0 נתמכים כעת.

2023.3.1 (14/2/23)​

שיפורי דיוק AprilTag​

מטריצת פרמטרים פנימיים משופרת, והכי חשוב, מקדמי עיוות משופרים לכל הדגמים. שיפורים ניכרים בלוקליזציה של AprilTag בודד.

העלאת גלאי​

העלאת גלאי תוקנה.

2023.3 (13/2/23)​

השהיית לכידה (מפתח NT: "cl", תוצאות JSON: "cl")​

ערך השהיית הלכידה החדש מייצג את הזמן בין סוף החשיפה של השורה האמצעית של חיישן התמונה של Limelight לבין תחילת צינור העיבוד.

סף איכות חדש ל-AprilTags​

AprilTags מזויפים מסוננים כעת בקלות רבה יותר עם מחוון סף האיכות החדש. ערך ברירת המחדל שנקבע ב-2023.3 אמור להסיר את רוב הזיהויים המזויפים.

דריסת תנוחת מצלמה במרחב הרובוט (מפתחות NT: "camerapose_robotspace_set", "camerapose_robotspace")​

מיקום ה-Limelight שלכם במרחב הרובוט יכול כעת להיות מותאם בזמן אמת. אם המפתח מוגדר למערך של אפסים, נעשה שימוש בתנוחה שהוגדרה בממשק האינטרנט.

הנה דוגמה של Limelight על מעלית: Limelight on Elevator

חשיפה מקסימלית מוגברת​

זמן החשיפה המקסימלי הוא כעת 33ms (עלה מ-12.5 ms). מצבי לכידה ב-fps גבוה עדיין מוגבלים ל-(1/fps) שניות. צינורות 90hz, לדוגמה, לא יהיו להם תמונות בהירות יותר מעבר לזמן חשיפה של 11ms.

עדכוני Botpose​

לכל שלושת מערכי botpose ב-networktables יש ערך שביעי המייצג השהייה כוללת (השהיית לכידה + השהיית מיקוד).

תיקוני באגים​

  • תיקון זרמי MJPEG של LL3 ב-shuffleboard
  • תיקון camMode - מצב נהג מייצר כעת תמונות בהירות ושמישות.
  • תווית החשיפה תוקנה - כל "טיק" מייצג 0.01ms ולא 0.1 ms
  • תיקון העלאת גלאי רשת עצבית

2023.2 (28/1/23)​

הופכים 3D לקל מתמיד.

Botposes תואמי WPILib​

Botpose קל עוד יותר לשימוש מהקופסה.

אלה תואמים למערכות הקואורדינטות של WPILib. megatag botpose example:

כל ה-botposes מודפסים ישירות במציג מרחב השדה בממשק האינטרנט, מה שמקל לאשר במבט חטוף שהכל עובד כראוי.

גישה קלה יותר לנתוני 3D (שינויים שוברי תאימות)​

RobotPose ב-TargetSpace הוא ללא ספק הנתון השימושי ביותר שיוצא מ-Limelight ביחס ל-AprilTags. באמצעות זה בלבד, אתם יכולים ליישר בצורה מושלמת מערכת הנעה עם AprilTag בשדה.

  • מפתח NetworkTables "campose" הוא כעת "camerapose_targetspace"
  • מפתח NetworkTables "targetpose" הוא כעת "targetpose_cameraspace"
  • מפתח NetworkTables חדש - "targetpose_robotspace"
  • מפתח NetworkTables חדש - "botpose_targetspace"

העלאת רשת עצבית​

העלו מודלים של teachable machine לצינור המסווג של Limelight. ודאו שהם מודלים תואמי Tensorflow Lite EdgeTPU. העלו קבצי .tflite ו-.txt של תוויות בנפרד.

2023.1 (19/1/23)​

MegaTag ושיפורי ביצועים

תיקון טעות​

פרמטר גודל הסמן המוגדר כברירת מחדל בממשק המשתמש תוקן ל-152.4mm (ירד מ-203.2mm). זה היה השורש של רוב בעיות הדיוק.

יציבות מעקב מוגברת​

ישנן מספר דרכים לכוונן זיהוי ופענוח AprilTag. שיפרנו את היציבות בכל התחומים, במיוחד בסביבות תאורה נמוכה / חשיפה נמוכה.

המרה לגווני אפור מהירה במיוחד​

המרה לגווני אפור מהירה פי 3-6 מבעבר. צוותים תמיד יראו זרם וידאו אפור בזמן מעקב אחר AprilTags.

חיתוך לביצועים​

לצינורות AprilTag יש כעת מחוונים לחיתוך. חיתוך התמונה שלכם יגרום לשיפור קצבי הפריימים בכל רזולוציה.

סינון קל יותר​

יש כעת שדה "מסנן ID" יחיד בצינורות AprilTag שמסנן פלט JSON, תגים מאופשרי botpose, ותגים מאופשרי tx/ty. הגדרת המסנן הכפול הייתה באגית ומבלבלת.

שינוי שובר תאימות​

מפתח NT "camtran" הוא כעת "campose"

עדכון JSON​

"botpose" הוא כעת חלק מהזרקת תוצאות ה-json

עדכון מציג מרחב השדה​

מציג מרחב השדה מציג כעת את שדה FRC 2023. כעת אמור להיות קל יותר לשפוט דיוק botpose במבט חטוף.

Limelight MegaTag (botpose חדש)​

העדיפות מספר 1 שלי הייתה לשכתב את botpose לדיוק גדול יותר, רעש מופחת, ועמידות לאי-בהירות. היישום החדש של botpose של Limelight נקרא MegaTag. במקום לחשב botpose עם ממוצע טיפשי של מספר תנוחות מרחב-שדה בודדות, MegaTag בעצם משלב את כל התגים לתג 3D ענק אחד עם מספר נקודות מפתח. לזה יש יתרונות עצומים.

ה-GIF הבא מציג מצב שתוכנן לגרום להיפוך תגים: גליל ירוק: תנוחת בוט בודדת לכל תג גליל כחול: BotPose 2023.0.1 גליל לבן: MegaTag Botpose חדש

שימו לב כיצד ה-botpose החדש (גליל לבן) יציב במיוחד בהשוואה ל-botpose הישן (גליל כחול). אתם יכולים לצפות גם בערכי tx ו-ty.

הנה המסך המלא, המציג את אי-הבהירות של התג:

הנה היתרונות:

Botpose עמיד כעת לאי-בהירויות (היפוך תגים) אם יותר מתג אחד בשדה הראייה (אלא אם הם קרובים וקו-מישוריים. באופן אידיאלי נקודות המפתח אינן קו-מישוריות). Botpose עמיד כעת יותר לרעש בפינות התגים אם יותר מתג אחד בשדה הראייה. ככל שהתגים רחוקים יותר זה מזה, כך טוב יותר. זה לא מוגבל לתגים מישוריים. זה מתרחב לכל מספר תגים ב-3D מלא ובכל כיוון. תגי רצפה ותגי תקרה יעבדו בצורה מושלמת.

הנה דיאגרמה המדגימה היבט אחד של איך זה עובד עם מקרה מישורי פשוט. התוצאות למעשה טובות יותר ממה שמתואר, מכיוון שה-MegaTag המתואר מכיל שגיאה משמעותית שהוחלה על שלוש נקודות במקום נקודה אחת. ככל שה-MegaTag המשולב ב-3D גדל בגודל ובמספר נקודות המפתח, היציבות שלו עולה.

העלאת רשת עצבית נדחית ל-2023.2!

2023.0.0 ו-2023.0.1 (11/1/23)​

מציגים AprilTags, לוקליזציה של רובוט, רשתות עצביות עמוקות, ממשק צילומי מסך משוכתב, ועוד.

תכונות, שינויים ותיקוני באגים​

  • צינור לכידת חיישן חדש ובקרת Gain
    • צינור הלכידה החדש שלנו מאפשר זמני חשיפה קצרים פי 100 ממה שהיו ב-2022. הצינור החדש גם מאפשר בקרת Gain. זה חשוב במיוחד למעקב אחר AprilTags, וישמש להפיכת מיקוד רטרו-רפלקטיבי לאמין מתמיד. לפני Limelight OS 2023, ה-gain של חיישן Limelight היה לא-דטרמיניסטי (יישמנו כמה טריקים כדי לגרום לזה לעבוד בכל זאת).
    • עם מחוון "Sensor Gain" החדש, צוותים יכולים להפוך תמונות לכהות או בהירות יותר מאי פעם מבלי לגעת במחוון החשיפה. הגברת gain תגביר רעש בתמונה.
    • שילוב gain נמוך יותר עם זמני החשיפה הנמוכים החדשים, כעת אפשר לייצר תמונות כמעט שחורות לחלוטין עם נורות LED בבהירות מלאה ומטרות רטרו-רפלקטיביות. זה יעזור להפחית השתקפויות LED ואור שמש בזמן מעקב אחר מטרות רטרו-רפלקטיביות.
    • על ידי הגברת Sensor Gain והפחתת חשיפה, צוותים יוכלו למזער את ההשפעות של טשטוש תנועה עקב זמני חשיפה גבוהים בזמן מעקב אחר AprilTags.
    • הצלחנו לפתח את הצינור החדש הזה תוך שמירה על כל התכונות - 90fps, זום חומרה וכו'.
  • אפשרויות רזולוציה נוספות
    • ישנן שתי רזולוציות לכידה חדשות ל-LL1, LL2 ו-LL2+: 640x480x90fps ו-1280x960x22fps
  • ממשק אינטרנט מותאם
    • ממשק האינטרנט ייטען ויאותחל עד פי 3 מהר יותר ברשתות רובוט.
  • ממשק תמונות מצב משוכתב
    • תכונת תמונות המצב נכתבה מחדש לחלוטין כדי לאפשר העלאות תמונות, הורדות תמונות ומחיקת תמונות. ישנם גם APIs חדשים ללכידת תמונות מצב המפורטים בתיעוד.
  • שיפורי SolvePnP
    • לתכונת לוקליזציית המצלמה מבוססת solvePnP שלנו היה באג מגעיל שהגביל ברצינות את הדיוק שלה כל ארבעה פריימים. זה טופל, וקנבס 3D מלא חדש לחלוטין נבנה להמחשות SolvePNP רטרו-רפלקטיביות/צבע.
  • תיקון באג בממשק האינטרנט
    • הייתה בעיה נדירה ביותר ב-2022 שגרמה לממשק האינטרנט להישבר לצמיתות במהלך האתחול הראשון לאחר צריבה, מה שאילץ את המשתמש לצרוב מחדש. הסיבה השורשית נמצאה ותוקנה לתמיד.
  • APIs חדשים
    • Limelight כולל כעת APIs של REST ו-Websocket. APIs של REST, Websocket ו-NetworkTables כולם תומכים בתכונת הזרקת JSON החדשה, שמפרטת את כל הנתונים לכל המטרות בפורמט קריא לאדם, קל לניתוח עבור FRC וכל היישומים האחרים.

ראייה מבוססת למידה ללא קוד ותמיכה ב-Google Coral​

  • Google Coral נתמך כעת על ידי כל דגמי Limelight. Google Coral הוא מאיץ חומרה USB של 4TOPs (טריליוני-פעולות / שנייה) שנבנה במיוחד להסקה על רשתות עצביות 8-ביט.
  • בדיוק כמו מעקב רטרו-רפלקטיבי לפני כמה שנים, מחסום הכניסה לראייה מבוססת למידה על רובוטי FRC היה גבוה מדי עבור הצוות הממוצע אפילו לנסות. פיתחנו את כל התשתית הנדרשת כדי להפוך ראייה מבוססת למידה לקלה כמו מטרות רטרו-רפלקטיביות עם Limelight.
  • יש לנו אשכול GPU בענן, סקריפטים לאימון, כלי לאגירת מערכי נתונים, וצוות תיוג אנושי מוכנים לפעולה. אנחנו נרגשים להביא רשתות עצביות עמוקות לקהילת FRC בפעם הראשונה.
  • אנחנו תומכים כרגע בשני סוגי מודלים: מודלים לזיהוי אובייקטים, ומודלים לסיווג תמונות.
    • מודלים לזיהוי אובייקטים יספקו "מזהי מחלקה" ותיבות תוחמות (בדיוק כמו המטרות הרטרו-רפלקטיביות שלנו) לכל האובייקטים שזוהו. זה מושלם למעקב אחר חלקי משחק בזמן אמת.
      • אנא תרמו למודל זיהוי האובייקטים הראשון אי פעם של FRC על ידי שליחת תמונות כאן: https://datasets.limelightvision.io/frc2023
      • השתמשו במפתחות networktables tx, ty, ta ו-tclass או בהזרקת JSON כדי להשתמש ברשתות זיהוי
    • מודלים לסיווג תמונות יקלטו תמונה, ויפיקו תווית מחלקה יחידה.
      • כדי ללמוד עוד ולהתחיל לאמן מודלים משלכם ל-Limelight, בדקו את Teachable Machine של גוגל.
      • https://www.youtube.com/watch?v=T2qQGqZxkD0
      • מודלים של Teachable machine תואמים ישירות ל-Limelight.
      • מסווגי תמונות יכולים לשמש לסיווג מצב רובוט פנימי, מצב של תכונות שדה, ועוד הרבה יותר.
      • השתמשו במפתח networktables tclass כדי להשתמש במודלים אלה.
  • Limelight OS 2023.0 אינו מספק את היכולת להעלות מודלים מותאמים אישית. זה יאופשר בקרוב ב-2023.1

תמיכה ב-AprilTag ללא קוד​

  • AprilTags קלים כמו מטרות רטרו-רפלקטיביות עם Limelight. מכיוון שיש להם מסנן קשיח טבעי בצורת ID, יש אפילו פחות סיבה ש-roboRIO שלכם יעשה סינון כלשהו הקשור לראייה.
  • להתחלה, השתמשו ב-tx, ty ו-ta כרגיל. לא נדרשים שינויי קוד. מיינו לפי כל מאפיין מטרה, השתמשו בקבוצות מטרות וכו'.
  • מכיוון ש-AprilTags תמיד מרובעים ותמיד ניתנים לזיהוי ייחודי, הם מספקים את הפלטפורמה המושלמת לחישובי תנוחה 3D מלאים.
  • המשוב שקיבלנו על תכונה זו בערוצי התמיכה שלנו היה חיובי ביותר. הפכנו את AprilTags לקלים ככל האפשר, ממעקב 2D ועד לוקליזציה מלאה של רובוט 3D בשדה
  • בדקו את מפרט מפת השדה ומסמך מערכת הקואורדינטות למידע מפורט יותר.
  • ישנן ארבע דרכים להשתמש ב-AprilTags עם Limelight:
  • AprilTags ב-2D
    • השתמשו ב-tx, ty ו-ta. הגדירו את הצינורות שלכם לחפש ID תג ספציפי.
    • <gif>
  • AprilTags 3D של נקודת עניין
    • השתמשו ב-tx ו-ty, ta ומפתחות networktables tid. היסט נקודת העניין הוא כל מה שרוב הצוותים יצטרכו כדי לעקוב אחר מטרות שאין להן AprilTags מחוברים ישירות אליהן.
    • <gif>
  • 3D מלא
    • עקבו אחר ה-LL שלכם, הרובוט שלכם, או תגים ב-3D מלא. השתמשו ב-campose או json כדי למשוך נתונים רלוונטיים ל-roboRio שלכם.
    • <gif>
  • לוקליזציה של רובוט במרחב השדה
    • ספרו ל-Limelight שלכם איך הוא מותקן, העלו מפת שדה, וה-LL שלכם יספק את תנוחת השדה של הרובוט שלכם לשימוש עם WPILib Pose Estimator.
    • מערכת הקואורדינטות של השדה שלנו ממקמת (0,0) במרכז השדה במקום בפינה.
    • השתמשו במפתח networktables botpose לתכונה זו.
    • <gif>

2022.3.0 (13/4/22)​

תיקוני באגים ופעימת לב.

תיקוני באגים​

  • תיקון בעיות ביצועים, יציבות זרם והשהיית זרם הקשורות לזרמי מצלמת USB ומספר מופעי זרם.

תכונות ושינויים​

  • מפתח NetworkTable "hb" פעימת לב
    • ערך "hb" עולה באחד לכל פריים עיבוד, ומתאפס לאפס ב-2000000000.

2022.2.3 (16/3/22)​

תיקוני באגים וסינון חיתוך מקוד רובוט.

תיקוני באגים​

  • תיקון מפתח networktables "stream" ומצבי תמונה-בתוך-תמונה
  • תיקון מפתח networktables "snapshot". משתמשים חייבים להגדיר את מפתח "snapshot" ל-"0" לפני הגדרתו ל-"1" כדי לצלם צילום מסך.
  • הסרת התראות מיותרות הקשורות לפייתון מממשק האינטרנט

תכונות ושינויים​

  • סינון חיתוך ידני
    • באמצעות מערך networktables "crop", צוותים יכולים כעת לשלוט במלבני חיתוך מקוד רובוט.
    • כדי שמפתח "crop" יעבוד, הצינור הנוכחי חייב להשתמש במלבן החיתוך הפתוח לרווחה כברירת מחדל (-1 ל-minX ו-minY, +1 ל-maxX ו-+1 maxY).
    • בנוסף, מערך networktable "crop" חייב להכיל בדיוק 4 ערכים, ולפחות אחד מהערכים האלה חייב להיות שונה מאפס.

2022.2.2 (23/2/22)​

שדרוג חובה לכל הצוותים בהתבסס על בדיקות אמינות שבוע 0 ו-FMS.

תיקוני באגים​

  • תיקון תקיעה / אובדן חיבור / אובדן מיקוד הקשורים לממשקי אינטרנט פתוחים, FMS, הגדרות דמויות FMS, מספר מכשירי צפייה וכו'.

תכונות ושינויים​

  • סינון חיתוך

    • התעלמו מכל הפיקסלים מחוץ למלבן חיתוך מוגדר
    • אם לגלגל התנופה שלכם יש נקודות מתוקות כלשהן בשדה, אתם יכולים להשתמש במסנן החיתוך כדי להתעלם מהרוב המכריע של הפיקסלים בצינורות ספציפיים. תכונה זו אמורה לעזור לצוותים להפחית את ההסתברות למעקב אחר לא-מטרות.
    • אם אתם עוקבים אחר מטען, השתמשו בתכונה זו כדי לחפש מטען רק בתוך חלק ספציפי של התמונה. שקלו להתעלם מהפגושים של הצוות שלכם, מטרות רחוקות וכו'.

  • תכונת פינות תואמת כעת לקיבוץ מטרות חכם

    • זה לצוותים שרוצים לעשות ראייה מותאמת אישית מתקדמת יותר ב-RIO
    • מגבלת הפינות של "tcornxy" הוגדלה ל-64 פינות
    • פישוט קווי מתאר ותכונות כפיית קמור עובדות כעת כראוי עם קיבוץ מטרות חכם ושליחת פינות

  • מקסימום מסנן IQR הוגדל ל-3.0

  • קצב עדכון מטרה חי בממשק האינטרנט הופחת מ-30fps ל-15fps כדי להפחית רוחב פס ועומס מעבד בזמן שממשק האינטרנט פתוח

2022.1 (25/1/22)​

תיקוני באגים​

  • קיבלנו מידע מאחד הספקים שלנו על בעיה (ותיקון!) שמשפיעה על כ-1/75 מהמעבדים שמשמשים ספציפית ב-Limelight 2 (ייתכן שזה קשור לאצווה ספציפית). זה הגיוני, וזה היה אחד ההבדלים היחידים שנותרו באתחול בין תמונת 2022 לתמונת 2020.
  • תיקון כפתורי ההעלאה עבור קלטי GRIP ומודלים של SolvePNP

תכונות​

  • קשת גוון

    • קשת הגוון החדשה מקלה על הגדרת סף הגוון.

  • היפוך גוון

    • תכונת היפוך הגוון החדשה היא תכונה קריטית אם אתם רוצים לעקוב אחר אובייקטים אדומים, מכיוון שאדום נמצא גם בתחילת וגם בסוף טווח הגוון:

  • ספריות Python חדשות

    • הוספנו scipy, scikit-image, pywavelets, pillow ו-pyserial לסביבת ה-python שלנו.

2022.0 ו-2022.0.3 (15/1/22)​

זה עדכון גדול. הנה ארבעת השינויים העיקריים:

תכונות​

  • קיבוץ מטרות חכם

    • קיבוץ אוטומטי של מטרות שעוברות את כל מסנני המטרות הבודדות.
    • יקבץ באופן דינמי כל מספר של מטרות בין -מינימום מחוון גודל קבוצה- ל-מקסימום מחוון גודל קבוצה-

  • דחיית חריגים

    • בעוד שמטרה זו מאתגרת יותר ממטרות אחרות, היא נותנת לנו יותר הזדמנויות לסינון. מבחינה רעיונית, מטרה זו היא יותר מ"כתם ירוק." מכיוון שאנחנו יודעים שהמטרה מורכבת ממספר מטרות שקרובות זו לזו, אנחנו יכולים למעשה לדחות מטרות חריגות שעומדות בפני עצמן.
    • כדאי להסתמך כמעט לחלוטין על סינון מטרות טוב למטרה של השנה, ולהשתמש בדחיית חריגים רק אם אתם רואים או מצפים לחריגים מזדמנים בזרם המצלמה שלכם. אם יש לכם סינון מטרות סטנדרטי גרוע, זיהוי חריגים עלול להתחיל לפעול נגדכם!

  • שדרוגי תמונת Limelight 2022 הסרנו מאות חלקים נעים מהתוכנה שלנו. אלו התוצאות:

    • גודל תמונה דחוסה: 1.3 GB ב-2020 → 76MB ל-2022 (הופחת פי 17!)
    • זמן הורדה: עשרות דקות ב-2020 → שניות ל-2022
    • זמן צריבה: 5+ דקות ב-2020 → שניות ל-2022
    • זמן אתחול: 35+ שניות ב-2020 → 14 שניות ל-2022 (10 שניות עד הדלקת נוריות)

  • סקריפטים מלאים ב-Python

    • Limelight הצליחה לחשוף מספר רב של תלמידים לחלק מהיכולות של ראייה ממוחשבת ברובוטיקה. עם סקריפטים ב-python, קבוצות יכולות כעת לקחת צעד נוסף קדימה על ידי כתיבת צינורות עיבוד תמונה משלהן.

  • עדכון זה תואם לכל חומרת Limelight, כולל Limelight 1.

  • בעיות ידועות: שימוש בזום חומרה עם python יפיק תוצאות בלתי צפויות.

  • 2022.0.3 משחזר את זרם GRIP 5802, ומטפל בבעיות אתחול ביחידות LL2 מסוימות על ידי ביטול חלק מאופטימיזציות זמן האתחול. זמן האתחול גדל ל-16 שניות.