Hand-Eye Calibration Residuals

핸드-아이 캘리브레이션 성능을 평가하기 위해서는 일반적으로 잔차를 확인하는 방법이 필요합니다. 여기서는 핸드-아이 캘리브레이션 잔차가 무엇을 의미하는지 설명하고 계산 방법을 예시로 제시합니다.

데이터 세트에 있는 각 캘리브레이션 객체 포인트 클라우드에 대해 일정 개수의 특징점이 추출됩니다. 이 특징점들의 모음을 특징점 집합이라고 부르겠습니다.

핸드-아이 칼리브레이션의 결과로 좌표 변환을 계산할 수 있습니다. 이 좌표 변환은 형상점 세트를 카메라 좌표 프레임에서 로봇 베이스 프레임으로 변환할 수 있습니다. 로봇 시스템의 각 요소, 즉, 카메라, 로봇 및 핸드-아이 칼리브레이션 알고리즘이 완벽했다고 가정합니다. 그런 다음 변환된 한 세트의 형상점은 데이터 세트의 다른 세트의 대응점과 동일한 좌표를 갖습니다. 시각적으로 이것은 3D 공간의 모든 형상점 세트가 겹친다는 것을 의미합니다. 이것은 현실에서는 결코 그렇지 않으며 항상 약간의 잔차가 있습니다. 시각적으로 이것은 다른 세트의 동일한 형상점이 완전히 겹치지 않는다는 것을 의미합니다. 이것은 Zivid 내부 핸드-아이 칼리브레이션 실험 중 얻은 포인트 클라우드 시각화한 이미지에서 볼 수 있습니다.

이제 Zivid 소프트웨어가 Zivid 캘리브레이션 보드를 사용할 때 잔차를 계산하는 방법을 설명하겠습니다.

데이터 세트의 모든 특징점 집합을 사용하여 다른 모든 특징점 집합의 산술 평균을 나타내는 참조 특징점 집합을 찾습니다. 즉, 참조 집합의 각 특징점은 다른 집합의 대응 특징점으로부터의 유클리드 거리의 합이 최소화되도록 좌표를 갖습니다. 이는 확대된 보기에서 검은색으로 확대된 구로 표시됩니다. 그런 다음 Zivid 소프트웨어는 참조 집합을 포함하여 각 특징점 집합의 포즈를 추정합니다. 마지막으로, 이동 및 회전 잔차는 참조 특징점 집합과 다른 모든 특징점 집합 간의 상대적 위치와 방향으로 계산됩니다. 이동 잔차는 두 특징점 집합을 나타내는 참조 프레임 간의 유클리드 거리로 제공됩니다. 회전 잔차는 두 참조 프레임 간의 angle-axis representation 의 각도로 제공됩니다.

이것으로 핸드-아이 캘리브레이션 이론에 대한 글을 마치겠습니다. Zivid 소프트웨어를 사용하여 핸드-아이 캘리브레이션을 수행하는 방법에 대한 실습 튜토리얼은 Zivid 캘리브레이션 객체 선택 방법 .