Duckietown中的自动车轮和摄像机校准.docx

Kirill Krinkin et al. / Procedia Computer Science 186 (2021) 169–176 PAGE 175 PAGE 176 Kirill Krinkin et al. / Procedia Computer Science 186 (2021) 169–176 Duckietown中的自动车轮和摄像机校准 摘要 组装机器人后，需要校准其组件，例如摄像机和轮子。这需要人的参与，取决于人的因素。本文介绍了摄像机和机器人车轮的全自动校准方法。它包括将机器人放置在一个不准确的位置，但在一个预先标记的区域，并使用来自摄像机的数据，关于环境配置的信息。以及在没有外部观察者或人工参与的情况下进行校准的移动能力。有两个阶段:摄像机和车轮校准。摄像机校准通过在基准标记模板前自动移动机器人，并通过估计轨迹的曲率在标记的地板上移动机器人来收集必要的一组图像。提出的方法在duckietown项目基地进行了实验测试。 关键词:自动校准；Duckietown轮式机器人；摄像机校准；车轮校准 1。 介绍 校准机器人是使用前必须完成的一个重要步骤。通常，这是必需的，以便考虑其独特的特征、设计误差，并在处理来自机器人传感器的数据或使用其致动器时考虑这种系统误差。Duckietown项目是一个类似于汽车道路的微型道路网络，一个以路标、交通灯和其他东西、道路标记以及机器人本身为形式的环境。机器人有一个单目摄像机作为唯一的传感器，并且是差动驱动的。 因此，在使用机器人之前，你需要校准它的摄像头和轮子。从训练的角度来看，校准过程可能是有用的，但是随着它的定期使用，尤其是实验室中有大量的机器人，这消耗了大量的人力时间。这种常规操作的自动化将加速机器人的准备工作，并在未来通过进一步的自动自校正为其校准的正确性提供机器人的独立控制。 2。 类似物概述 摄像机自标定问题研究了三十多年[6]。解决方案来自于常规的摄像机校准，此时需要计算内部和外部摄像机参数。在常规的校准过程中，需要对已知整体尺寸的物体拍摄几张照片，并计算相机焦距和减少失真的参数。这种校准的过程是众所周知的[9]，例如在OpenCV中实现。主要的难点是区分真正独立的图片。 考虑的问题的第二部分是车轮的校准。根据车轮电机的物理缺点，需要进行这种校准。特定机器人的摩擦、能量损失、电磁干扰等现象会对车轮电机产生不同的影响。因此，需要计算每个车轮电机的电流系数。 2.1。 现有校准方法 论文[8]提出了一种利用微机电系统传感器进行摄像机标定的方法。作者提出用未标定的摄像机和陀螺来计算机器人运动的模式和速度。然后他们使用网格搜索方法来计算使用这些传感器捕获的运动之间的相关性。这种方法的缺点是，根据网格搜索方法的性质，它在一维或二维空间中工作。 在[4]中发现了摄像机对运动结构的自校准。一般来说，这种方法还需要在摄像机框架上进行特征检测。由于校准参数估计的非线性，使用高斯和滤波器将整个非线性变化范围分成几乎线性的小块。 这种方法的缺点是算法复杂，因为它包含几个卡尔曼滤波器，其计算时间取决于在一帧中检测到的特征量。同样描述的方法包含同样需要计算资源的循环结束组件。 在[5]中，作者使用未校准的摄像机跟踪轮式移动机器人。他们声称，即使是手动校准也可能不完美，因此他们描述了一种使用校准参数未知的摄像机来跟踪机器人运动的方法。建立了该机器人的动力学和运动学模型控制。 [3]的作者提出了一种自动外部校准多个摄像机的方法，而无需事先在环境中放置任何图案。机器人被放置在自然环境中，进行一系列程序化的运动，包括一个完整的水平旋转，并从每个摄像机捕捉同步的图像序列。这些序列用单目视觉SLAM算法单独处理。 作者声称，这种方法的缺点是，如果没有内在的摄像机校准，它不能与MonoSLAM和单个摄像机一起工作。 2.2。 概述的结果 所有考虑的模拟都使用SLAM算法或来自运动的结构来计算机器人上摄像机的内部和外部参数。此外，大多数工作依赖于车轮已经校准的事实。只有工作[5]的作者声称根本不需要校准，但老实说，他们不计算校准参数。他们用未校准的传感器控制机器人。由于Duckiebot资源有限，因此没有考虑实时运行SLAM算法的想法。因此，本文的校准思想是基于观察放置在机器人附近的校准模式。 将摄像机标定过程与车轮标定过程分开的解决方案是合理的。可以通过拍摄校准图案的几张照片来校准相机。拍摄这些照片的过程可以是自动的——机器人可以旋转观察周围的校准图案，并根据需要拍摄任意多的照片。例如，可以在机器人的初始位置附近放置两块校准板，并使其旋转。在拍摄校准图案的几幅独立照片后，可以使用OpenCV库执行校准过程。 摄像机校准后，机器人应继续旋转，以找到车轮的校准模式。当摄像机被校