目前在机器人高层规划中,机器人越来越依赖于摄像头的反馈信息,比如自动打磨,焊接,喷涂的智能规划,或者一些分拣,码垛的规划. 在项目开始前, 第一步要做的一定是给机器人和摄像头进行标定. 那么如何结合机器人标定摄像头就是本片要讨论的问题. 本片接下来就是记录我自己做的标定全过程.
标定摄像头前一定要先标定机器人手眼标定非常依赖机器人给出的参数,如果参数不准确,一定会影响到标定结果. 而且还很难察觉. 否则,会浪费大量时间在检查摄像头标定步骤中, 却忽略机器人参数本身.
选取好的标定板标定板也很重要, 简单的棋盘格标定板可以从opencv官网上链接下载并打印. 如果追求精度,那就要在淘宝上购买更精确的标定板. 为了追求精确度,就不要省钱了.
计算标定板的角点
上图为opencv的棋盘标定板, 角点计算是算这个棋盘的内部角点(也就是正方块的角), 就是说边缘部分的角是不算的. 那么从左往右数,这个棋盘的长中,角点有九个, 宽中角点有6个. 就是说这个棋盘是6*9的
如图安装好机器人和相机, 该相机安装在机器人的末端,所以就是眼在手上的机器人标定.
手眼标定的原理我就不在这里探讨了,我贴一段别人的博客,可以去看那里.
https://blog.csdn.net/yaked/article/details/77161160
第一步就是先把足够的参数收集起来 然后再统一计算. 那么需要哪些参数呢
标定棋盘参数, 比如我们的棋盘如上是6*9的, 棋盘的宽度, 我算了下大概是23.8mm机器人一个随机位置下的可以拍摄到该标定板的有效图片解释起来就是把机器人随机移动,装换相机的一个视角去观察这个标定板, 如果该视角下看不到,或者只
看到一小部分标定板,那么该图片无效,我们要把有效的图片记录下来,那么尽量让机器人移动到一个位置下, 相机能拍摄到标定板全貌. 然后记录保存该图片记录该图片拍摄下的机器人状态(6轴状态)重复2和3步骤, 20次.
解释下,也就是获得20组图片对应机器人状态的数据. 但不一定是20组, 看你自己吧. 计算 用opencv计算出内外参比较简单具体的做法可以直接看官方教程
https://docs.opencv.org/4.4.0/dc/dbb/tutorial_py_calibration.html
具体的方法讲解 初始化准备参数 A = n_long * side B = n_short * side # termination criteria criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) 准备好标定板的世界3d坐标 objp = np.zeros((n_short*n_long,3), np.float32) objp[:,:2] = np.mgrid[0:A:side,0:B:side].T.reshape(-1,2) # Arrays to store object points and image points from all the images. objpoints = [] # 3d point in real world space imgpoints = [] # 2d points in image plane. axis = np.float32([[3,0,0], [0,3,0], [0,0,-3]]).reshape(-1,3) * side rvecs = [] tvecs = [] 迭代获取的图片参数步骤具体的cv函数用法可以看这篇博客
https://blog.csdn.net/weixin_41695564/article/details/80422329或者看opencv官网
3.1 获得灰度图 gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
3.2 计算棋盘标定板的角点
ret, corners = cv2.findChessboardCorners(gray, (n_long,n_short),None)3.3 进一步在获得的角点参数下亚像素信息
corners2 = cv2.cornerSubPix(gray,corners,(15,15),(-1,-1),criteria)3.4 重复上述3.1到3.3的迭代获取多组亚像素信息
3.5 计算相机的内外参
ret, mtx, disto, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1],intrinsic,disto)3.6 计算误差
for i in range(len(images)): imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, disto) error = cv2.norm(imgpoints[i],imgpoints2, cv2.NORM_L2)/len(imgpoints2) mean_error += error print("mean error: ", mean_error/len(objpoints))至此为利用opencv计算内外参的手眼标定全部过程. 当然具体要根据自己的项目情况来优化代码.