16届电磁越野组和14届的电磁越野组的区别
1. 14届前瞻长度无限制，而16届电磁越野组的前瞻从12月份的12cm的限制改成现在2cm的限制；
2. 16届的电磁越野采用L车模，而15届ai电磁组采用C车模，L车模属于经典RC模型，整体上车模较为笨重，没有C车模控制灵活。具体体现在：C车模采用S3010舵机，L车模采用SD5舵机，群友做过测试，S3010灵活性明显优于SD5。L车模属于机械差速，而C车模属于主动差速，C车模可以舵机转向和差速转向配合使用。所以，L车模的运行轨迹较难精确控制。
一.传统PID控制
16届的电磁越野规则上其实并没有明确规定必须使用ai进行训练。然而，由于电磁越野有长度限制（40cm），意味着前瞻只有2cm，相比14届长前瞻有明显差别。对于电磁来说，前瞻是必须的。15届出现的ai电磁组，通过搭载ai模型，短前瞻循迹。所以，自然而然的，大家都认为，16届的电磁越野组必须采用ai训练。15届时的ai电磁，在采用C车模时，根据网友的30天调车日志，可以看出，ai训练对于数据集要求较为严格，包括normal，random，manual等数据。然后，还要根据不同的速度档位，采集不同速度匹配的数据集加权训练，还要针对不同的赛道元素进行采集训练，强化特殊元素。还不止这些，期间会遇到零零碎碎的奇怪问题，比如训练数据的loss率下降到某值后就停止下降，弯道电磁数据离散导致ai模型崩溃等。
而15届是在普通室内赛道进行训练的，赛道环境较为理想。但是，电磁越野采用电磁折线导航，还包括颠簸路段，直角等元素。所以，室外电磁越野的赛道环境较为复杂，大大增加了ai电磁训练的困难。电磁越野的初衷就是通过长前瞻训练，利用短前瞻进行循迹，但是对于ai的新手来说，弄不好就是训练成ai智障车，难免弄巧成拙。
最近，在B站上看到，很多车友似乎都放弃ai训练，都利用短前瞻传统算法调车。在车模、赛道环境等都较为恶劣的情况下，ai训练出来的车不一定比短前瞻的车快多少，而且稳定性来说也不及传统PID。利用短前瞻调车的弊端在于不能获取良好的赛道趋势预判，导致车模打脚滞后较为严重，尤其是过直角元素。
解决方案：过直角时，可以采用丢线处理算法，锁住冲出直角时的电磁状态，然后按照最后记忆的电磁状态打死脚；或者可以采用B站视频倒车的方式，记忆冲出赛道的电磁状态，然后反向打死脚，直到重新检测到电磁信号线。
关于电磁越野组短前瞻提速的方案：
1. 机械方面：后轮机械差速的调节，这个较为重要。机械差速螺丝拧得较紧，转弯比较容易卡齿。所以，机械差速要适当拧松一些，这样转弯能够较为顺滑。舵机供电在允许范围内要适当高一些，这样能够提高舵机的速度和力矩。影响舵机转向的支架需要磨，这样，能够在最大程度上扩大舵机的打脚范围。
2. 可以构建“伪长前瞻”。可以采用两排电磁传感器的方案，在车后半身加装一排，获取预判的趋势。比如过弯时，前排检测到弯道，后排还是直道的话，说明正在入弯，可以通过斜率增强电磁趋势的预判。
3. 采用棒棒控制算法
在智能车中，棒棒控制一般用于对速度的控制，但是同样也可以对方向进行控制。当然，前提是得直道弯道分段。其实，对于采用折线段的电磁来说很有利，分段阈值较为明显。在直线时，采用传统方向PID，在折线时，采用棒棒控制算法，如此有利于L车模的转向控制。
4. 采用丢线处理算法
长前瞻由于前瞻过长，在转弯时容易伸出赛道，而短前瞻是因为冲出赛道丢线，两者还是有一定的区别，同时也有一定的联系。将原来长前瞻的丢线处理算法进行移植，同样能够获得较好的控制效果。
二.AI训练
其实，网上采用短前瞻的方案，从长远来说，是走不远的，但是能够让你完赛（省三），运气好点的话，能够弄个省二，至于再往上走，得看赛区的情况和队伍的造化。
所以，如果想要获得好成绩的话，应该就是用ai进行训练。
关于ai的话，由于没有实战过，不能给太多的建议。
ai电磁训练的难点：
1. 虽然去年逐飞提供了ai训练模型，但是该模型在cmd平台运行，采用指令运行，模型训练的操作较为变扭，同时训练数据的可视化程度不高。对于人工智能的初学者来说，没有神经网络的理论基础以及python编程的能力，所以部分队伍直接采用逐飞模型加以训练，模型的灵活度下降。
2.赛道环境的变化
15届的ai电磁组在普通赛道跑，电磁赛道连续，赛道条件较为理想。而16届电磁越野是室外赛道，采用折线段进行导航，而且路面有颠簸，同时有直角等特殊元素。所以，采集数据的难度可想而知。
采取解决方案：
1.逐飞的ai模型有7个输入和1个输出，采用两排电磁信号值作为输入量，舵机pwm值作为输出量。直接使用该模型，只能进行方向控制，而不能进行速度控制。所以，部分较强的队伍通过修改模型，增加模型的输入量和输出量，例如增加电磁信号个数来进行训练，增加速度输出量来实现对方向和速度的全面控制，来实现提速。
2.通过ai训练和传统方向PD加权来控制。虽然ai训练得好，可以有不错的效果，但是ai的稳定性和鲁棒性存在争议。而在利用ai模型的同时，可以采用传统差比和算法进行加权控制，提高系统的稳定性。
3.少数强队采用摄像头导航，来采集数据，进行ai训练，这是一个极其优秀而且新颖的想法。（仅仅提一下）
