Cautions And Recommendations
Image quality
칼리브레이션 대상의 카메라 이미지가 잘 노출되고 초점이 맞춰지는 것이 중요합니다. 칼리브레이션 대상이 범위 내에 있는지 확인하려면 depth of field 더 높게 사용하는 것이 좋습니다 \(f\)-숫자 값과 더 큰 노출 시간으로 보상합니다. 또한 다른 조리개 크기로 인한 불필요한 변동을 피하기 위해 모든 이미지에 동일한 조리개 설정을 사용해야 합니다. 핸드-아이 칼리브레이션 이미지 선택 시, 유사한 이미지를 선택하지 않고 칼리브레이션 대상과 로봇의 6자유도 모두를 활용하여 다양한 이미지를 선택합니다.
Zivid API
Zivid 포인트 클라우드는 mm 단위로 제공됩니다. Zivid API에서 핸드-아이 출력 포즈 변환 부분도 mm 단위입니다. 따라서 핸드-아이 용 입력 로봇 포즈의 변환 부분도 mm 단위여야 합니다.
Detectable ArUco marker
If the calibration object is a Zivid calibration board ensure that the ArUco marker is visible for all poses. Otherwise, the algorithm will fail when it is trying to detect the checkerboard. On the other hand, when using one or more ArUco markers as calibration object(s), not all the markers need to be visible for all poses.
Eye-to-hand
Eye-to-hand 칼리브레이션 과정에서 칼리브레이션 대상(보드)은 로봇 엔드 이펙터에 장착되어 로봇과 함께 움직입니다. 플랜지에 직접 고정하거나 그리퍼로 고정할 수 있습니다. 칼리브레이션 대상과 엔드 이펙터 사이의 상대 위치를 알 필요가 없기 때문에 정확한 장착 위치는 중요하지 않습니다. 칼리브레이션 대상이 모션 중에 플랜지 또는 그리퍼에 대해 상대적으로 움직이지 않는 것이 중요흠으로 대상(보드)을 단단히 고정해야 합니다. 장착 브래킷을 활용하거나 칼리브레이션 플레이트 자체를 이용하여 고정하는 것을 추천드립니다. 또한 칼리브레이션 대상이 이미지를 수집하는 동안 정지 상태에 있어야 합니다. 좋은 루틴은 로봇이 칼리브레이션 개체와 함께 이동한 후 몇 초를 기다리는 것입니다. 이를 통해 모션 후 진동이 있는 경우 전체 구조가 안정화됩니다. 칼리브레이션 대상의 흔들림과 이탈을 방지하기 위해 제한된 가감속을 사용하고 로봇 동작이 부드러워야 합니다.
Eye-in-hand
Eye-in-hand 칼리브레이션 동안 칼리브레이션 개체는 고정되어 엔드 이펙터에 장착된 카메라가 다른 관점에서 볼 수 있는 로봇의 작업 공간에 배치됩니다. 칼리브레이션 개체의 정확한 위치는 중요하지 않습니다. 로봇 베이스에 대한 자세를 알 필요가 없기 때문입니다. 그러나 캘리브레이션 대상은 캘리브레이션 중에 움직이지 않아야 하므로 단단히 고정해야 합니다.
Environment conditions
온도 변화는 성능에 약간의 영향을 미칠 수 있습니다. 따라서 핸드-아이 칼리브레이션 중 온도가 어느 정도 안정적인지 확인하는 것이 좋습니다. Warm-up 과 같은 절차로 할 수 있습니다. 시스템이 작동될 때의 작업 조건과 유사하게 유지하는 것이 좋습니다. 온도 의존적 성능 요인의 영향을 더욱 줄이려면 Thermal Stabilization 을 활성화하세요.
Choosing the correct method
일부 핸드-아이 칼리브레이션 방법은 Extrinsic 매개변수 및 카메라와 로봇 프레임 간의 상대 포즈와 함께 카메라 Intrinsic 매개변수를 계산합니다. 이러한 접근 방식은 Zivid 카메라를 잘 보정된 3D 카메라가 아니라 보정되지 않은 2D 카메라로 취급하기 때문에 권장하지 않습니다.
각 Zivid 카메라 장치는 2D 컬러 카메라의 Intrinsic 파라미터를 결정하는 등 광범위한 캘리브레이션 프로세스를 거칩니다. 당사의 칼리브레이션은 잘 알려진 핀홀 카메라 모델보다 더 많은 Intrinsic 파라미터를 가진 복잡한 카메라 모델(예: OpenCV 카메라 모델)을 사용합니다. Zivid 카메라 모델은 고유하기에 내부 카메라의 Intrinsic 기능은 SDK에서 사용할 수 없습니다. 그러나 Zivid SDK는 카메라 모델에서 OpenCV 및 Halcon 모델의 근사치를 제공합니다(Camera Intrinsics 을 참조하십시오.). 근사치에서 정보가 손실될 수 있기 때문에 OpenCV 또는 Halcon Intrinsic 함수를 활용하는 핸드-아이 칼리브레이션 방법을 사용하는 것도 최선의 방법이 아닙니다.
Zivid 카메라는 3D 데이터를 제공하므로 포인트 클라우드에서 카메라 Extrinsics을 계산할 수 있습니다. Zivid 핸드-아이 칼리브레이션 방법은 이 이점을 활용하므로 이것이 권장되는 접근 방식이며 당사 카메라에서 가장 잘 작동하는 방법입니다. 포인트 클라우드에서 카메라 Extrinsics을 계산할 수 있는 가능성을 활용하는 Zivid가 아닌 대체 방법이 있습니다. 이러한 방법은 순전히 포인트 클라우드 데이터에 의존하며 예를 들어 CAD 일치를 기반으로 한 핸드-아이 칼리브레이션이 있습니다.
Another reason to use Zivid Hand-Eye Calibration is the support for ArUco markers, which are relatively small and can thus be permanently installed in the robot cell. They are especially handy for stationary mounted cameras (eye-to-hand) as they can be installed between the robot flange and the gripper. On the other hand, for robot mounted cameras (eye-in-hand) the markers can be permanently installed somewhere in the robot’s workspace.
Accuracy and recalibration
비전 가이드 로봇 시스템의 피킹 정확도는 카메라, 핸드-아이 칼리브레이션, 머신 비전 소프트웨어 및 로봇 위치 지정 모두 결합된 정확도에 따라 달라집니다. 로봇은 일반적으로 반복성이 높지만 정확하지는 않습니다. 온도, 조인트 마찰, 페이로드 및 제조 공차는 로봇이 사전 프로그래밍된 위치에서 벗어나게 하는 요인 중 일부입니다. 그러나 로봇 자체를 보정하여 로봇 포즈 정확도를 개선할 수 있으며, 이는 피킹 정확도에 영향을 미치는 여러 요소가 있는 복잡한 시스템에 적극 권장됩니다. 로봇이 보정을 잃으면 피킹 정확도가 떨어집니다. 보정(로봇 혹은 핸드-아이)을 반복하면 이러한 성능 저하를 보상할 수 있습니다. 또한 고정된 구조물 또는 로봇에서 카메라를 분리한 후 다시 장착한다면 핸드-아이 칼리브레이션을 다시 수행해야 합니다.