rc_visard 3D Stereo Senso

ops/2024/9/23 22:39:03/

1 简介

rc_visard 3D立体视觉传感器
在这里插入图片描述

支持的接口标准

  • GenICam Generic Interface for Cameras
  • GigE Gigabit Ethernet

词汇表

SGM semi-global matching 半全局匹配
SLAM Simultaneous Localization and Mapping 即时定位与地图构建

2 安全

3 硬件规格

坐标系

rc_visard的坐标帧原点被定义为左相机镜头的出口瞳孔。帧称为传感器坐标帧或相机坐标帧。

传感器/相机框架和机器人坐标系之间的正确偏移量可以通过手眼校准程序进行校准

4 安装

设备发现

rcdiscover-gui
在这里插入图片描述

5 测量原理

5.1 立体视觉

视差越大,物体距离相机越近。

计算三维信息需要的模块

  • Camera
    该模块负责捕获同步图像对,并将其转换为接近理想相机拍摄的图像(校正)。
  • Stereo matching
    该模块使用半全局匹配计算校正后的立体图像对的视差。
  • Camera calibration
    该模块使用户能够重新校准rc_visard的立体相机。

6 软件模块

rc_visard的几个机载软件模块

  • 3D相机模块
    获取图像对并计算3D深度信息,如视差,误差和置信度图像,也可以通过rc_visard的GigE Vision/GenICam接口访问。
  • 导航模块
  • 检测模块
    提供多种检测功能,如抓点计算和目标检测。
  • 配置模块
    用户能够执行校准和为特定的应用程序配置rc_visard。
  • 数据库模块
    使用户能够配置所有其他模块可用的全局数据,例如负载载体,感兴趣的区域和夹具。

6.1 3D相机模块

6.1.1 相机

6.1.1.3 参数

6.1.2 立体匹配

6.1.2.1 计算视差图像

校正后,保证一个对象点投影到左右图像的同一像素行上。右侧图像中该点的像素列始终小于或等于左侧图像中同一点的像素列。术语“视差”表示左右图像像素列之间的差异,表示物体点离相机的深度或距离。视差图像存储左侧相机图像中所有像素的视差值。

视差越大,物体点越近。视差为0表示物体的投影点在同一图像列,目标点在无限远。通常,有些像素的视差无法确定。这种情况出现在物体左侧被遮挡,因为从右边的相机看不到这些区域。此外,差没有纹理的区域无法确定视差。无法确定视差的像素被标记为无效视差值0。区分无效视差测量值和视差测量值为0(对于无限远的物体),后者的视差值被设置为大于0的尽可能小的视差值。

为了计算视差值,立体匹配算法必须在左右相机图像中找到相应的目标点。这些点代表场景中相同的物体点。对于立体匹配,rc_visard使用SGM(半全局匹配),它提供了快速的运行时间和很高的精度,特别是在物体边界,精细结构和弱纹理区域。

任何立体匹配方法的一个关键要求是图像中纹理的存在,即由于场景中的图案或表面结构而导致的图像强度变化。在完全没有纹理的区域,例如没有任何结构的白墙,视差值要么无法计算,要么结果错误或置信度低(参见置信度和误差图像,第6.1.2.3节)。场景中的纹理不应该是人为的、重复的图案,因为这些结构可能会导致模糊,从而导致错误的视差测量。

当处理纹理较差的对象或在无纹理的环境中工作时,可以使用外部模式投影仪将静态人工纹理投影到场景中。这种模式应该是随机的,不包含重复的结构。rc_visard提供IOControl模块(参见IO和投影仪控制,章节6.4.4)作为可选的软件模块,可以控制连接到传感器的图案投影仪。

6.1.2.2
6.1.2.3 置信和误差图像

对于每个视差图像,还提供了一个误差图像和一个置信图像,给出了每个视差值的不确定性度量。这些图像与视差图像具有相同的分辨率和相同的帧速率。误差图像包含视差误差 d e p s {d}_{eps} deps,其像素与视差图像中相同图像坐标处的视差值相对应。置信度图像中对应的置信度值𝑐在0 ~ 1之间。

置信度定义为真实视差值在测量视差𝑑周围误差的三倍区间内的概率,即[𝑑− 3 d e p s {3d}_{eps} 3deps,𝑑+ 3 d e p s {3d}_{eps} 3deps]。因此,具有误差和置信值的视差图像可用于需要概率推理的应用。与无效视差测量相对应的置信度和误差值将为0。

6.4 配置模块

6.4.1 手眼标定

6.4.2 碰撞检测

6.4.3 相机标定

6.4.4 IO和投影仪控制


http://www.ppmy.cn/ops/9937.html

相关文章

Attention和Transformer灵魂七问

1. 引言 最近,ChatGPT和其他聊天机器人将大语言模型LLMs推到了风口浪尖。这就导致了很多不是学ML和NLP领域的人关注并学习attention和Transformer模型。在本文中,我们将针对Transformer模型结构提出几个问题,并深入探讨其背后的技术理论。这…

线性回归、逻辑回归

线性回归是一种统计分析方法,它利用数理统计中的回归分析来确定两种或两种以上变量间相互依赖的定量关系。这种分析方法在生活中有着广泛的应用场景,如经济学、市场营销、医学研究、教育评估以及人力资源管理等。其表达形式通常为y = wx+e,其中y是因变量,x是自变量,w是权重…

Redis 如何实现分布式锁

课程地址 单机 Redis naive 版 加锁: SETNX ${lockName} ${value} # set if not exist如果不存在则插入成功,返回 1,加锁成功;否则返回 0,加锁失败 解锁: DEL ${lockName}问题1 2 个线程 A、B&#…

从零开始:UniApp 项目搭建指南

正文: 在移动应用开发领域,UniApp 作为一款基于 Vue.js 的跨平台框架,为开发者提供了更加便捷的方式来构建同时支持多个平台的应用程序。本文将带领你从零开始,一步步地搭建一个 UniApp 项目,并介绍其中的关键步骤和注…

HDFS分布式文件存储系统

1-1 HDFS的存储机制 按块(block)存储 hdfs在对文件数据进行存储时,默认是按照128M(包含)大小进行文件数据拆分,将不同拆分的块数据存储在不同datanode服务器上 拆分后的块数据会被分别存储在不同的服务器上 副本机制 为了保证hdfs…

End to End端对端是什么含义?

网络有中间结点和端结点,中间结点提供传输服务,端结点接受传输服务。对于Internet 来说,路由器就是中间结点,电脑就是端结点。 下面为了叙述方便,我们把中间结点组成的网络称为网络。那么,网络提供传输服务…

爬楼梯(c)

文章目录 描述分析思路关键代码运行结果 描述 给定一个整数数组 cost ,其中 cost[i]是从楼梯第i 个台阶向上爬需要支付的费用,下标从0开始。-旦你支付此费用,即可选择向上爬一个或者两个台阶 要求:请你计算并返回达到楼梯顶部的…

Spring Cloud Ribbon面试题

Spring Cloud Ribbon面试题 1. Ribbon基本概念和原理1.1 什么是Ribbon?1.2 Ribbon的工作原理是什么?1.3 Ribbon和其他负载均衡器有什么区别?1.4 Ribbon是如何与Eureka结合使用的? 2. 负载均衡策略2.1 Ribbon支持哪些负载均衡策略&…