08｜视觉几何：YOLO 框能告诉控制器什么

检测、跟踪和控制是三件事

检测给出某一帧的类别、位置和置信度；跟踪维护跨帧身份；视觉伺服根据几何误差生成运动。检测置信度不是位置误差方差，跟踪 ID 也可能在遮挡或交叉时切换。控制器真正需要的是“哪一个目标、哪一个时刻、什么几何量、误差有多可信”。

框中心 u_c=(u_min+u_max)/2、v_c=(v_min+v_max)/2。控制前先把缩放、裁剪或 letterbox 坐标还原到标定图像，再由内参转换为归一化像点：

$$\text{x =}\frac{{\text{u}}_{\text{c}}\text{−}{\text{c}}_{\text{x}}}{{\text{f}}_{\text{x}}}\text{， y =}\frac{{\text{v}}_{\text{c}}\text{−}{\text{c}}_{\text{y}}}{{\text{f}}_{\text{y}}}$$

这里 x=X/Z、y=Y/Z，Z 是沿相机光轴的深度，不是压力计的下潜深度。目标在画面右侧可能通过右移或转艏居中；选择哪个自由度取决于任务希望保持什么姿态和距离。

面积为什么只能提供有条件的距离线索

若目标投影形状与朝向近似固定，归一化框面积 a≈K/Z²，因此 Z/Z*=√(a*/a)。目标面积变成期望的四倍，意味着距离约变为一半。可若目标转身、被遮挡或检测框截断，面积也会变化；此时前后移动未必是正确反应。

米制距离需要额外几何：已知尺寸、双目视差、已知特征 PnP 或声学测距。不同方法解决的是不同歧义。不要急着增加模型复杂度，先问任务究竟需要“图像里大小稳定”还是“真实距离为 2 m”。

观测年龄决定还能不能用

图像采样到推进器作用之间包含曝光、排队、推理、通信和执行时间。若目标每秒在画面移动 100 px，观测晚 0.3 s，中心误差就可能落后 30 px。实时队列通常优先最新可用帧，录像另行保存完整帧；让控制线程等推理结束，会把计算抖动直接引入闭环。

实验

固定相机，把目标分别横移、改变距离和原地转身，观察中心与面积的变化。随后给同一视频加入队列延迟，对比使用所有排队帧与只用最新帧。这个实验能把“检测准确”与“适合闭环使用”清楚分开。