Projects

面向零基础队员。读完这篇文档，你将理解 Janus 客户端的每一个模块在做什么，以及它们如何协同工作。 前置阅读：建议先读完 RCSSServerMJ 入门指南，了解仿真服务器和通信协议的基础概念。 代码声明：Janus 为南邮 Apollo 战队开源代码，如需交流或获取相关信息，请通过 About 页邮箱联系。 快速阅读路线 10 分钟速读：先看“第一章：Janus 是什么”“第二章：主循环”和“第十三章：完整数据流”，抓住客户端每帧的输入、决策和输出。 30 分钟入门：按服务器通信、感知解析、世界模型、决策系统、技能系统这条线读，把 server.py、world_parser.py、decision_maker.py 串起来。 深入阅读：重点读 Walk、Keyframe、GetUp 和工具函数几章，再回到“代码对应关系一览”，对照源码逐个文件看。 第一章：Janus 是什么 Janus 是一个 RoboCup 3D 足球仿真客户端。它不负责物理仿真（那是服务器的事），它只做一件事： 收到服务器发来的感知 → 做决策 → 把动作发回去 类比：如果服务器是"足球场 + 裁判"，那 Janus 就是"球员的大脑"。每 20ms，大脑从眼睛和身体收到信息（感知），想好下一步做什么（决策），然后命令肌肉动起来（动作）。 代码在哪 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Janus_main/Janus3D/ ├── run_player.py ← 入口：启动一个球员 ├── start.sh / start3v3.sh ← 脚本：启动整支队伍 ├── kill.sh ← 脚本：杀掉所有球员进程 ├── build_binary.sh ← 脚本：打包成比赛用的二进制 ├── pyproject.toml ← 依赖配置 └── mujococodebase/ ← 所有核心代码 ├── agent.py ← 主控：把所有模块串起来 ├── server.py ← 网络：和服务器的 TCP 通信 ├── world_parser.py ← 感知解析：S-expression → Python 数据 ├── robot.py ← 机器人模型：23 个电机的控制 ├── decision_maker.py ← 决策：该干什么 ├── world/ ← 世界模型：球、球员、场地、比赛状态 ├── skills/ ← 技能系统：走路、起身、站立 └── utils/ ← 工具：坐标变换、神经网络加载 第二章：主循环 — Agent 每帧在做什么 打开 agent.py，整个客户端的核心就是 Agent.run() 里的 4 行代码： ...

面向零基础读者。读完这篇文档，你将理解仿真服务器的核心概念，并能开始阅读 RCSSServerMJ 的源码。 源代码地址：robocup-sim/rcssservermj 后续阅读：理解服务器之后，可以继续读 Janus 客户端入门指南，看客户端如何接收感知、做决策并发送动作。 快速阅读路线 10 分钟速读：先看“第一章：什么是物理仿真”“第二章：Client-Server 架构”和“第八章：完整数据流”，建立服务器整体图景。 30 分钟入门：按网络通信、消息协议、仿真主循环、感知与动作这条线读，理解服务器和客户端每 20ms 如何交换信息。 深入阅读：再看 PlayMode、Beam、场地规格和“服务端 ↔ 客户端代码对应关系”，适合准备对照源码调试比赛逻辑。 第一章：什么是物理仿真 物理引擎 (Physics Engine) 是什么 想象一个虚拟世界——里面有地面、一个足球、一个机器人。你把球推一下，它会滚动、减速、停下；机器人抬脚，重心会偏移、可能摔倒。 物理引擎就是负责计算这些的程序。它模拟真实世界的： 重力：物体会往下掉 碰撞：球碰到脚会弹开 摩擦：球在草地上会慢慢停下 关节约束：机器人的膝盖只能在一定范围内弯曲 你可能在游戏中见过物理引擎（比如 Unity 的 PhysX）。RoboCup 用的 MuJoCo（Multi-Joint dynamics with Contact）是一个专门用于机器人和控制研究的高精度物理引擎，由 DeepMind 维护。 仿真步进 (Simulation Step) 物理引擎不是连续运算的，而是离散地推进时间： 1 时刻 0.000s → 计算 → 时刻 0.020s → 计算 → 时刻 0.040s → ... 每一"步"（step），引擎会： 读取所有物体当前的位置、速度 读取施加在物体上的力（比如电机的扭矩） 根据牛顿力学算出 0.020 秒后所有物体的新位置、新速度 这个时间间隔越小，仿真越精确，但计算量越大。RCSSServerMJ 默认每步 20ms，内部还会细分为多个 substep 来提高精度。 ...

前言 该文章是基于我校 校科学技术协会 woc-python组题目个人解答过程的系统性回顾。 项目代码：NJUPT-SAST-Python-WoC-2025 本文主要记录学习和方法迭代的过程，详细代码实现请查阅代码库。 题目简介： 任务背景与目标 本项目旨在探索多任务学习 (Multi-Task Learning) 在计算机视觉中的应用。核心目标是通过联合网络的设计，实现底层视觉（图像重构）与高层视觉（语义理解）两个任务的相互促进 (Mutual Promotion)。 基础任务定义 (Single-Task Baselines) 网络需从零开始搭建与训练,完成以下两个独立任务： 1 2 3 4 5 6 7 Task 1：底层图像恢复 (Low-level Vision) 任务内容：任选一种退化图像修复场景（包括但不限于超分辨率、去噪、去雾、低光增强等）。 评估指标：PSNR 与 SSIM，需在验证集上具有合理表现。 Task 2：高层图像分类 (High-level Vision) 任务内容：基于 CIFAR 数据集的图像分类。 评估指标：Accuracy（最低要求界定为 60%）。 多任务联合优化约束 (Multi-Task Constraints) 在跑通单任务 Baseline 后，需构建多任务联合网络（例如 Task 1 辅助 Task 2，或反之），且必须满足以下硬性约束： 1 2 3 4 1.架构轻量化与一致性：多任务分支需与单任务网络结构保持高度一致，禁止大幅增加参数量。 2.鼓励采用参数共享 (Parameter Sharing) 或引入轻量的交互通信模块。 3.微调策略 (Fine-tuning)：在单任务预训练的基础上，通过微调分支头或特征层来实现融合。 4.损失函数创新：鼓励设计具有创新性的互促损失函数 (Mutual-promoting Loss) 来平衡两个任务的梯度。 最终效果： 三种策略准确率对比：超分后再分类显著恢复了低分辨率图像的分类效果。 ...