2D手眼标定-RMS和坐标变换

weixin_40919495

已于 2025-01-20 11:50:44 修改

阅读量199

点赞数 3

文章标签：人工智能

于 2025-01-20 11:49:19 首次发布

本文链接：https://blog.csdn.net/weixin_40919495/article/details/145258834

版权

验真标定结果

通过上一步，我们已经获得标定矩阵和旋转中心。那肯定需要验证这两个参数是否准确。

验真方法就是计算将图像点和标定矩阵转换过的坐标点，和标定时的参数差距多大。

将对理论值-实际值求平均值就能得到RMS

计算机器人实际坐标

如果是共轴机构，那么采用九点标定就足够了。如果不是共轴机构或者要求高精度，尽量选择12/15点标定，因为旋转会带来误差，计算出旋转中心和手心是必要的。

现在已知旋转中心物理坐标，示教物理姿态，目标物理姿态，在分离轴的情况下，如何计算机器人坐标，使工具对准目标。

先旋转，后平移

1. 计算角度偏差。目标-示教得出，然后将目标姿态旋转偏差角度得出一个虚拟位置。

2.计算平移偏差。目标-虚拟得出，这相当于将角度对好的虚拟物料，平移至目标位置。

偏差位姿=（平移偏差，角度偏差）

机器人位姿=示教位姿+平移位姿

注意点

手眼关系：手在眼上和手在眼外会影响平移时给到机器人的偏差位姿的正负号。

手性：会影响旋转时给到机器人的位姿偏差的正负号

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weixin_40919495

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

手眼标定----眼在手上(eye-in-hand)

苏州程序大白的博客

12-18

3596

@TOC 标定之前你可以先拿个怡宝盖子进行测试。第一步：打开halcon，采集，然后生成代码，显示十字架第二步:把怡宝盖子放在十字架中心位置，在图像处理，找到怡宝盖子第三步:找到怡宝盖子然后进行九点标定(眼在外帖子有讲),移动机器手然后分别拍9次照片,记录怡宝盖子坐标和当前机器坐标。这里移动到中心位置的时候记录一下单独记录一下坐标,等下要用。顺序第四步:拍完后利用vector_to_hom_mat2d算子求出矩阵,然后在利用write_tuple (HomMat2D, ‘路径’)进行保存。这里

OpenCVSharp：如何用C#进行相机标定与立体视觉？4大步骤详解

java专栏

09-30

1179

通过以上步骤，我们已经成功地使用C#和OpenCVSharp实现了相机标定和立体视觉处理。相机标定帮助我们获取了相机的内参和外参，而立体视觉则让我们能够从图像对中提取深度信息。希望这篇教程能够帮助你更好地理解这些概念，并鼓励你在实际项目中尝试应用它们。自动化和精确化的视觉处理正等待着你去探索！

参与评论您还未登录，请先登录后发表或查看评论

GPS精度度量标准

ctrigger的专栏

01-01

6478

　　广义而论，精度（accuracy）表示一个量的观测值与其真值接近或一致的程度，常用它的对应值—误差（error）来表示。对GPS卫星导航而言，精度指GPS信号所测定的载体在航点位与载体实际点位之差。对于GPS卫星测地而言，精度是指用GPS信号所测定的地面点位与其实际点位之差。下面就现代卫星导航定位中几个常用的技术术语进行简单地论述。　　1、均方根差（RMS）　　均方根差，英文名为rootmeansquareerror，中国学者将其称为“中误差”或“标准差”。它的探测概率以置信椭圆（con...

opencv中相机标定的残差rms

jonathanzh的博客

07-20

3430

相机标定的残差rms 注意求平均值时total是所有点的总数，尽管每个点包含x、y两部分的误差，但是这里的值不是点数*2 均方根误差的定义 rms = \sqrt{\frac{\Sigma_n(x^2(n))}{N}} 在相机标定函数中 retval, cameraMatrix, distCoeffs, rvecs, tvecs=cv.calibrateCamera(objectPoints, imagePoints, imageSize, cameraMatrix, distCoeffs) 通过

定位精度单位CEP、RMS、2DRMS常识

热门推荐

Kuody的专栏

04-10

2万+

CEP和RMS是GPS的定位精度单位，也是个概率单位。就拿5M CEP说吧，意思是以5M为半径画圆，有50%的点能打在圆内，也就是说，GPS定位在5M精度的概率是50%，相应的RMS（66.7%）2DRMS（95%）当然很多商家愿意给出CEP，因为单位大了，前面的数就小了，好看。水平精度以圆概率误差(CEP) 意味着 50% 的结果在给出的圆直径内，50%的结果在圆外。RMS是1 sigm

2D手眼标定

weixin_42699365的博客

03-23

824

标定

halcon手眼标定例程详解_3D视觉 | 机器人3D手眼标定实验(上）

weixin_39772420的博客

01-01

2686

Hey 朋友，点击蓝字关注吗？干货分享3D视觉 | 机器人3D手眼标定实验复现Cognex VisionPro 3D的大部分内容，涵盖眼在手外、眼在手上，包括相机标定、手眼标定、3D定位计算位移偏差。最后的位移偏差与Cognex的结果在1mm左右。—Edited By Hugo# 1用python实现原型验证算法，再移植成C++编译为dll，供C#调用。python的库主要用到：cv2...

九点标定 opencv 方式实现手眼标定

weixin_42789529的博客

10-18

1017

代码连接：https://download.csdn.net/download/weixin_42789529/88441518。

单目标定效果不好的原因分析

weixin_43042467的博客

07-22

1354

八、单目标定效果不好的原因分析（1）问题（来自[文献3]）：OpenCV中用cvCalibrateCamera2 进行相机标定的精度差，标定结果不稳定。分析：可能原因有： A.夹角太小会导致误差较大可能是在标定的时候标定板所在平面与成像平面(image plane)之间的夹角太小，张正友论文里的仿真数据（有噪声的数据）说明当两者夹角太小误差会很大，从张正友的论文里给出的5幅图中（http://research.microsoft.com/~zhang/Calib/），其中标定平面与成像平面的夹角分别为

「3D视觉技术交流群」精华帖与关键问题

3D视觉工坊

07-27

3615

原文首发于微信公众号3D视觉工坊：「3D视觉技术交流群」精华帖与关键问题本文主要总结了「3D视觉技术交流群」自建立以来，星球内共发布与交流过的技术帖及关键问题，以便大家回顾温习。一星球主题，主要包括： 1.1　２Ｄ视觉１）相机标定；２）图像处理基础；３）相机与镜头 1.2　手眼标定 1.3　３Ｄ视觉 1.4　编程技巧 1.5　VSLAＭ，包括：ubuntu系统；VSLAM技术； 1...

Halcon 3D视觉技术入门与图像处理

Halcon的3D分类涵盖了一系列技术，包括相机标定（自标定和手眼标定）、位姿估计、3D匹配（表面匹配和形状匹配）、重建（基于激光三角理论、双目和多目立体视觉、对焦深度法）、3D模型处理（如3D表面对比、3D配准、...

CNN：卷积到底做了什么？

sagima_sdu的博客

04-16

1470

CNN 的核心思想是通过卷积操作从数据中提取局部特征，并逐步构建高层次的语义信息。简单来说，卷积的作用就是让 CNN 从像素级数据中提取有意义的特征，最终用于分类、检测、分割等任务。通过多层卷积操作，CNN 能够从低级特征（如边缘、纹理）逐步构建高级特征（如形状、对象），从而实现对复杂数据的理解和分析。卷积核是卷积操作的核心，其主要功能是从输入数据中提取局部特征，进而构建高层次的语义信息。卷积操作本质上是一种加权求和运算，通过滑动窗口的方式，在输入数据上施加不同的卷积核，提取局部区域的特征。

解锁指标平台，从选型实践到AI大模型融合创新的深度解析

Aloudata的博客

04-17

1578

指标平台从选型时的生态适配，到实施中的渐进革新，再到AI大模型带来的认知跃迁，企业需要以动态演进的视角构建指标管理体系

OrangePi 5 Pro vs OrangePi AI Pro 详细对比分析

qq_30346433的博客

04-18

1375

这是一款优秀的通用开发板，拥有强大的RK3588S处理器，适合广泛的应用场景。它提供了良好的性价比，是入门RK3588平台的理想选择。: 这是专为AI开发优化的高集成度开发板，在保留OrangePi 5 Pro所有优点的同时，增加了内置无线、板载存储、HDMI输入和针对AI的硬件与软件优化。对于专注于AI应用开发的用户来说，额外的成本带来了显著的便利性和性能优势。如果您主要关注成本效益和通用性，OrangePi 5 Pro是更好的选择；

HarmonyOS-ArkUI-动画分类简介

童年纸飞机的博客

04-20

1428

动画，是客户端提升界面交互用户体验的一个重要的方式。可以使应用程序更加生动灵越，提高用户体验。HarmonyOS对于界面的交互方面，围绕回归本源的设计理念，打造自然，流畅品质一提的操作体验。

控糖减重革命：科学减脂与AI营养工具的协同效应

2503_90208218的博客

04-18

1070

展望未来，数据化营养干预模式将在健康管理领域发挥更为重要的作用。随着AI技术与营养学的深度融合，营养方案将更加精准、高效，为解决全球肥胖与慢性病问题提供创新路径。

百度热力图数据获取，原理，处理及论文应用18

最新发布

GGG信的博客

04-21

345

数据来源：百度慧眼数据形式：含坐标的csv点数据；shp数据（含csv点数据）；TIF栅格数据（含csv，shp数据）；PNG可视化图片。多种数据形式可选。价格：市为单位，每天有24个时间点。也可提供shp格式，核密度/反距离tif格式，数据格式不同价格不同。直接选TIF的好处：不用手动从csv转shp，不用考虑投影带，不用手动核密度，我可以确保数据一定符合你的研究，会跟你确定栅格大小和研究区，根据研究区裁剪数据。用途：城市/街道活力，人口统计，选址分析，商圈分析，活力分析等等。优势：全网最全最细！

用全新发布的ChatGPT-o3搜文献写综述、专业审稿、降重润色，四个步骤轻松搞定全部论文难题！

智能AI让学术科研更容易

04-21

280

还有o3在大脑容量和运算速度上的双重提升，让它在Codeforces、SWE-bench、MMMU 等基准测试中刷新了 SOTA，并且在真实用户测评中，重大失误比 o1 少了 20%，凭借这些优势，我们完全可以用它写代码、做数据分析...最重要的是，它在训练的过程中获得了更多的“思考时间”，让它的算力也有了新的提高。若缺失信息，请合理补全。请围绕【研究主题】撰写一段综述性文字，涵盖近三年内该领域的研究现状、主流方法与代表性成果，格式参考文献综述段落写法，不列出具体文献，但内容需体现真实研究趋势与术语。

AI速读 From Hours to Minutes TOKENSWIFT如何实现超长序列生成无损加速？

PAN_Andy的博客

04-20

962

在大语言模型（LLMs）蓬勃发展的当下，超长序列生成的效率问题却成为了拦路虎。本文将为你解读一篇重磅论文，其中提出的TOKENSWIFT框架，成功将超长序列生成时间从数小时压缩至90分钟，还保证了生成质量，堪称大语言模型领域的一大突破，快来一探究竟！

手眼标定和机器人工具坐标系的标定

10-14

手眼标定是指通过对机器人末端执行器和相机之间的相对位置关系进行标定，从而实现机器人与相机之间的协同工作。机器人工具坐标系的标定是指通过对机器人末端执行器和机器人基座之间的相对位置关系进行标定，从而实现机器人末端执行器的精确定位。手眼标定和机器人工具坐标系的标定都是机器人视觉领域中非常重要的问题，它们是实现机器人与相机、机器人末端执行器之间协同工作的基础。