RoboMaster 2023机甲大师高校人工智能挑战赛技术报告结果公示与参赛反馈须知
RoboMaster2021机甲大师高校人工智能挑战赛（以下称“RMUA2021”）将于2021年6月1日至3日在中国西安国际会展中心举办，具体时间安排，请以后续最新发布的《RoboMaster2021机甲大师高校人工智能挑战赛参赛手册》为准。
一、技术报告等级权限说明
A等级：获得最终参赛资格
B等级：获得最终参赛资格
C等级：获得“优胜奖”（无最终参赛资格）
D等级：无最终参赛资格
二、技术报告评审结果公示
技术报告（必做）评审已经结束，请参与此环节的队伍通过队长账号登录报名系统，查看报告等级及评语。
C等级及以上评级名单如下：
序号
学校名称
队伍名称
评级
1
西安电子科技大学
ZEROTOHERO
A
2
哈尔滨工业大学
HITCSC
A
3
中国科学院自动化研究所
Neurons
A
4
中国矿业大学
CUBOT
A
5
西安交通大学
笃行
A
6
东北大学
TDT
A
7
吉林大学
TARS_GO
A
8
南京工业大学
BlueSpace
A
9
哈尔滨工业大学
IHiter
A
10
哈尔滨工业大学（深圳）
南工骁鹰
B
11
西北工业大学
Firefly
B
12
武汉科技大学
崇实
B
13
中国人民解放军空军工程大学
AliAli
B
14
上海科技大学&UniversityofOxford&UniversityofCambridge
SHTechOxbridge
B
15
同济大学
同舟共济的哥哥
B
16
华南农业大学
梦想开拓者
B
17
华南理工大学
华南虎
B
18
复旦大学
Romantic
B
19
厦门大学
TUF
B
20
哈尔滨工业大学（威海）
SOT
B
21
UniversityofCalifornia,SanDiego
TritonRobotics
C
22
西北工业大学
翱翔
C
23
华南理工大学广州学院
野狼
C
24
哈尔滨工程大学
创梦之翼
C
25
香港中文大学（深圳）
过岗龙
C
三、参赛反馈
参与对象：在技术报告环节获得最终参赛资格权限的队伍
参与方式：以参赛队伍为单位，通过队长账号登录报名系统提交
提交时间：2021年4月30日12:00-2021年5月7日12:00（北京时间）
提交机会：1次
通过权限：获得线下比赛参赛资格
提交须知：
1、请在提交时间结束前确认，逾期未提交，则视为放弃RMUA2021参赛资格
2、在本环节确认参赛后，默认参赛队伍获得参赛资格、将正常参加比赛。若最终因特殊原因无法抵达现场完成比赛，请务必及时联系组委会
深度强化学习团队包揽RoboMaster 2023人工智能挑战赛三项赛道冠军及最高学术激励奖
2020年9月11日，RoboMaster2020人工智能挑战赛落下帷幕，我所深度强化学习团队组织Neurons战队代表中国科学院大学参赛，包揽导航与运动规划、感知和决策所有三项赛道一等奖。李浩然博士的研究工作《DeepReinforcementLearningbasedAutomaticExplorationforNavigationinUnknownEnvironment》荣获最高学术激励奖。
获奖证书
RoboMaster人工智能挑战赛开始于2017年，由国际机器人与自动化会议（ICRA）、电气与电子工程师协会（IEEE）、IEEE机器人与自动化学会（IEEERAS）、深圳市大疆创新科技有限公司联合主办。由于受到疫情影响，本次RoboMaster大赛改为线上评审方式，组委会设置了导航与运动规划、感知、决策三个赛道，对参赛队伍提交的视频和代码进行评审。
团队的主要优势体现在设计并构建了三维机器人协同对抗仿真平台，有效满足了机器人系统部署和模型效果验证等需求。该平台具有算法验证、模型训练、人机交互和实车迁移等功能，可进行仿真场景下的环境感知、目标检测、多机决策等任务的训练及测试。并且，团队在该平台上实现了基于多智能体强化学习算法的多机协同策略，完成了从仿真模拟到实体运作的技术迁移。相关技术在机器人协同服务领域具有广阔的应用前景。
在导航与运动规划赛道，团队提出了全局路径规划模块，可根据上层决策指令和预建地图，快速搜索可行路径。相关方案结合传感器实时反馈数据，将全局可行路径解算成可行运动轨迹，高效实现了路径巡航、窄道通行与动态避障等功能。
在感知赛道，团队根据机器人上搭载的激光雷达和工业相机等传感器，选择使用深度学习检测算法做模型预训练，通过使用神经网络架构搜索技术实现了快速目标检测；并采用多传感器融合实现高动态、大遮挡、变光照环境下的精确定位和高效准确的环境感知。
在决策赛道，团队的工作重点集中在决策层系统部署及仿真训练环境搭建上。针对典型的2v2自主对抗场景，团队结合多智能体深度强化学习和行为决策树两种方式设计决策处理器，将经过大量仿真环境交互优化后得到的网络模型应用于实车决策，优化了决策效率。
参赛队员合照
相关发布资源可参见：
RoboMaster2020人工智能挑战赛获奖名单公布：https://www.robomaster.com/zh-CN/resource/pages/announcement/1199
深度强化学习团队RoboMaster2020人工智能挑战赛相关开源资料及相关具体信息可参见：
规划：https://github.com/DRL-CASIA/RMAI2020-Planning
感知：https://github.com/DRL-CASIA/RMAI2020-Perception
决策：https://github.com/DRL-CASIA/RMAI2020-Decision