07-动态物体跟随检测：实时推理+动态轨迹更新

动态物体跟随检测：实时推理+动态轨迹更新作者：黒漂技术佬场景：无人售货柜传送带补货、工控产线流动物料分拣、智慧农业传送带分拣一、物体动了，事情就复杂了上一篇讲了静态抓取——物体乖乖躺着等你来拿。现实世界没那么美好：传送带上的商品在匀速移动，产线上的零件在流动，你不可能按暂停键。动态跟随的核心矛盾：你检测到位置A的时候，机械臂还没到A，物体已经跑到B了。等你到B，物体又到C了。永远追不上。怎么破？靠两招：实时闭环更新+运动预测。二、动态检测的挑战在哪里？挑战1：检测有延迟YOLO推理一帧需要20~50ms（取决于硬件），机械臂响应还有几十毫秒延迟。等你算完坐标，物体早跑了。挑战2：坐标抖动YOLO每帧检测的框中心会有±3~5像素的随机波动，直接发给机械臂，机械臂就会"哆嗦"，既伤电机又影响精度。挑战3：速度估计难你得知道物体跑多快，才能预测它下一秒在哪。但只有检测坐标序列，怎么算速度？差分太粗暴，滤波更靠谱。三、实时推理+坐标更新的闭环流程先看整体架构：循环开始: 1. 摄像头采一帧图像 2. YOLO推理 → 得到目标像素坐标(u, v) 3. 坐标转换 → 得到机械臂坐标(x, y, z) 4. 卡尔曼滤波 → 平滑坐标、估计速度 5. 运动预测 → 预测下一时刻位置 6. 跟随控制 → 计算机械臂目标位置 7. 下发指令 → 机械臂实时跟随 循环回到1这是一个典型的感知-控制闭环，循环频率越高，跟随越流畅。工程上一般做到1530Hz（每秒1530次更新）。importtimeclassDynamicTrackPipeline:def__init__(self,model,arm,gripper,coord_converter,kf,controller):self.model=model self.arm=arm self.converter=coord_converter self.kf=kf# 卡尔曼滤波器self.controller=controller# PID控制器self.running=Falsedeftrack_loop(self,cap,fps=20):self.running=Truedt=1.0/fpswhileself.running:ret,frame=cap.read()ifnotret:break# Step1: YOLO检测results=self.model(frame,verbose=False)iflen(results[0].boxes)==0:continuebox=results[0].boxes[0]x1,y1,x2,y2=box.xyxy[0].tolist()u,v=int((x1+x2)/2)