标定系列三、9点标定实际应用场景分析

简介: 标定系列三、9点标定实际应用场景分析

一、眼在手外

1.定位


       定位过程可以想想成我们先示教一个标准的位置,但是物料过来的位置是随机的,怎么才能是机械手都吸取物料的固定点位姿。

      如上图中,示教过程中A为特征点的机械手坐标,B为吸嘴吸料时机械手的坐标。(在计算之前已经将所有的坐标转为机械手坐标),C为旋转中心对应机械手坐标,在实际上料时,A‘特征点得到旋转角度,可以计算出A’点对应的机械手坐标,此时有两种方法计算出对应B‘点的机械手坐标。

第一种:A'对应的旋转中心,绕A'点旋转对应角度,得到目标旋转中心的位置,按照两个旋转中心的仿射变换就可以将机械手的位置从B移动至B’。

第二种:将A的坐标绕机械手旋转得到对应的机械手坐标M,M->A‘ 的转换矩阵传入B点坐标,即可求出对应B'的坐标。

2.摆动过程


        摆动过程可以简单理解为上料过程中,机械手吸取物料的位置变化,例如标准位置应当吸取B点,但是实际吸取了物料的Q点,在吸取了物料后,如何每次摆正将物料准确的摆入治具中。

        示教过程是物料先放入治具中记录用吸嘴去吸取物料的机械手坐标,此坐标可以记作J,将机械手吸取物料移动至相机视野下,该位置为标准位置,记录此时机械手的坐标B,同时记录此时特征点的坐标A。标准位置的作用是相机视野中的物料通过转换变化后都能移动至标准位置,再通过J->M仿射变换,即可准确放入固定的治具中。

        实际上料过程中,机械手吸取物料的位置是变化的,理论上应当吸取B‘点,但实际有位置偏差吸取的是M点,以A’为旋转中心,求出对应的实际旋转旋转中心C',C‘->C,将M点映射即可求出在标准位置时候机械手坐标Q。

二、眼在手上


眼在手上,机械手和相机会共同运动,在标定的时候,记录机械手工作点B的机械手坐标,A点为机械手对应的特征点坐标,A->B,M为实际上料过程中机械手的坐标,将M映射即可求出B’机械手工作的坐标。

写的比较抽象,大家需要在实际应用中使用。

相关文章
|
6月前
|
编解码 机器人
标定系列一、手眼标定基础介绍
标定系列一、手眼标定基础介绍
187 0
|
6月前
|
存储 算法
标定系列二、9点标定以及5点圆心标定过程(代码详解)
标定系列二、9点标定以及5点圆心标定过程(代码详解)
822 0
|
6月前
|
算法 定位技术 图形学
基于Pix4Dmapper的运动结构恢复无人机影像三维模型重建
基于Pix4Dmapper的运动结构恢复无人机影像三维模型重建
130 2
|
机器学习/深度学习 JavaScript 前端开发
Mediapipe三维实时人体关键点检测与追踪(一)
Mediapipe三维实时人体关键点检测与追踪(一)
1480 0
|
计算机视觉
Mediapipe三维实时人体关键点检测与追踪(二)
Mediapipe三维实时人体关键点检测与追踪(二)
1065 0
|
传感器 存储 编解码
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹
使用激光雷达数据构建地图并使用SLAM算法估计车辆轨迹。
218 0
|
传感器 算法 数据挖掘
【影像配准】多时相遥感影像配准结果模块化(附有完整代码)
【影像配准】多时相遥感影像配准结果模块化(附有完整代码)
|
传感器 算法 机器人
基于二维激光雷达的三维激光扫描系统的设计与实现
基于二维激光雷达的三维激光扫描系统的设计与实现
213 0
|
传感器 机器学习/深度学习 编解码
激光雷达与视觉联合标定综述!(系统介绍/标定板选择/在线离线标定等)
由于2D识别的成功,论文引入了一个大型基准,称为OMNI3D,重新审视了3D目标检测的任务。OMNI3D对现有数据集进行了重新利用和组合,生成了234k张图像,标注了300多万个实例和97个类别。由于相机内参的变化以及场景和目标类型的丰富多样性,这种规模的3D检测具有挑战性。论文提出了一个名为Cube R-CNN的模型,旨在通过统一的方法在摄像机和场景类型之间进行泛化。结果表明,在更大的OMNI3D和现有基准上,Cube R-CNN优于先前的工作。最后,论文证明了OMNI3D是一个强大的3D目标识别数据集,表明它提高了单个数据集的性能,并可以通过预训练加速对新的较小数据集的学习。
激光雷达与视觉联合标定综述!(系统介绍/标定板选择/在线离线标定等)
|
机器学习/深度学习 传感器 存储
最新综述!分析用于实时车载激光雷达感知的点云深度学习表示(空间结构/光栅化/坐标系)
随着帧速率、点云大小和传感器分辨率的增加,这些点云的实时处理仍必须从车辆环境的这张日益精确的图片中提取语义。在这些点云上运行的深度神经网络性能和准确性的一个决定因素是底层数据表示及其计算方式。本文调查了神经网络中使用的计算表示与其性能特征之间的关系,提出了现代深度神经网络中用于3D点云处理的LiDAR点云表示的新计算分类法。使用这种分类法,对不同的方法家族进行结构化分析,论文揭示了在计算效率、内存需求和表示能力方面的共同优势和局限性,这些都是通过语义分割性能来衡量的。最后,论文为基于神经网络的点云处理方法的未来发展提供了一些见解和指导。
最新综述!分析用于实时车载激光雷达感知的点云深度学习表示(空间结构/光栅化/坐标系)