ОЦЕНКА СИСТЕМ КООРДИНАТНЫХ МЕТОК С ИСПОЛЬЗОВАНИЕМ БОРТОВОЙ КАМЕРЫ МОБИЛЬНОГО РОБОТА «СЕРВОСИЛА ИНЖЕНЕР» В УСЛОВИЯХ ЗАКРЫТЫХ ПОМЕЩЕНИЙ
Аннотация
Современные задачи специальных областей робототехники, включая поисково-
спасательные операции в городских населенных пунктах, ставят ряд вызовов перед мо-
бильной робототехникой. Одним из важных требований к алгоритмическому и программ-
ному обеспечению робота являются возможности автономного принятия решений и ав-
томатического выполнения роботом различных функции как низкого, так и высокого уров-
ня на основе заложенных алгоритмов и информации, получаемой с бортовых датчиков
робота. На сегодняшний день самыми распространенными бортовыми датчиками робота
являются камеры различных типов, что обусловлено их техническими возможностями и
более низкой стоимостью относительно лидаров и других датчиков, предоставляющих
визуальную информацию в виде цифровых изображений. Калибровка камер является необ-
ходимым процессом для извлечения точной информации из цифровых изображений. Данный
процесс необходим для получения точного соответствия между трехмерным объектным
пространством и пиксельным пространством изображения, для возможности последую-
щего использования алгоритмов компьютерного зрения, комплексирования и обработки
информации. Калибровка цифровых камер является неотъемлемой частью целого ряда
практических задач машинного зрения: навигация мобильных робототехнических систем,
медицина, реконструкция плотных и разреженных трехмерных карт окружения, видеонаблюдение и визуальная инспекция, визуальная одновременная локализация и картографи-
рование и др. Актуальность проблемы калибровки камер обусловлена наличием множества
различных методов калибровки и калибровочных шаблонов. В большинстве случаев каждый
метод калибровки использует определенный калибровочный шаблон. Каждое отдельное
решение подходит лишь под особые условия – недостаток освещения, плохие погодные
условия, наличие перекрывающих видимость сторонних объектов. Калибровка камер обыч-
но ассоциируется с использованием специальных калибровочных шаблонов. Они позволяют
достичь наиболее точных результатов за счет заранее известной геометрической струк-
туры. В настоящее время процедура калибровки камер робототехнических систем прово-
дится в лабораторных условиях с использованием классического метода «шахматной дос-
ки». Помимо него существует всего лишь несколько альтернативных подходов, которые
находятся в зачаточном состоянии как в России, так и за рубежом. С другой стороны,
исследования в области методов калибровки камеры продолжаются и появляются новые
альтернативные варианты калибровки камер. Одно из новых направлений – это использо-
вание систем координатных меток в качестве эталонного объекта. Разнообразие пара-
метров – размер калибровочного шаблона, размерность набора калибровочных данных,
распределение расстояний от камеры до объектов на сцене и т.д. – создает объемную базу
для экспериментального тестирования оптимальных параметров калибровки камер.
В данной статье представлено исследование вопроса автоматической калибровки камеры
с использованием систем координатных меток (СКМ), которые располагаются на поверх-
ности робота. По результатам виртуальных экспериментов с СКМ в симуляционной среде
Gazebo робототехнической операционной системы ROS были выбраны два разных типов
СКМ, оптимальных относительно прочих типов меток, охваченных нашими предыдущими
исследованиями, с точки зрения устойчивости СКМ к систематическому перекрытию
поверхности метки и влияния размера метки на качество ее распознания. Выбранные СКМ
были протестированы с использованием бортовой камеры российского мобильного робота
«Сервосила Инженер» в условиях закрытых помещений с целью оценки корреляции резуль-
татов в виртуальной и реальной средах.
Литература
autonomous return algorithms for a crawler mobile robot navigation, 2018 11th International
Conference on Developments in eSystems Engineering (DeSE). IEEE, 2018, pp. 169-174.
2. Safin R., Lavrenov R., & Martínez-García E. A. Evaluation of visual slam methods in usar applications
using ros/gazebo simulation, Proceedings of 15th International Conference on
Electromechanics and Robotics" Zavalishin's Readings". Springer, Singapore, 2021, pp. 371-382.
3. Tsai R. A versatile camera calibration technique for high-accuracy 3D machine vision metrology
using off-the-shelf TV cameras and lenses, IEEE Journal on Robotics and Automation,
1987, Vol. 3, pp. 323-344.
4. Zhang Z. A flexible new technique for camera calibration, IEEE Transactions on patttern
analysis and machine intelligence, 2000, Vol. 22, pp. 1330-1334.
5. Fiala M. Comparing ARTag and ARToolkit Plus fiducial marker systems, IEEE International
Workshop on Haptic Audio Visual Environments and their Applications. IEEE, 2005, p. 6.
6. Rojtberg P., and Kuijper A. Efficient pose selection for interactive camera calibration, 2018
IEEE International Symposium on Mixed and Augmented Reality (ISMAR). IEEE, 2018,
pp. 31-36.
7. Romero-Ramirez F.J., Muñoz-Salinas R., Medina-Carnicer R. Speeded up detection of squared
fiducial markers, Image and Vision Computing, 2018, Vol. 76, pp. 38-47.
8. Atcheson B., Heide F., Heidrich W. CALTag: High Precision Fiducial Markers for Camera
Calibration, VMV. Citeseer, 2010, Vol. 10, pp. 41-48.
9. Hu D., DeTone D., and Malisiewicz T. Deep charuco: Dark charuco marker pose estimation,
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019,
pp. 8436-8444.
10. Mantha B.R.K., and Garcia de Soto B. Designing a reliable fiducial marker network for autonomous
indoor robot navigation, Proceedings of the 36th International Symposium on Automation
and Robotics in Construction (ISARC), 2019, pp. 74-81.
11. Annusewicz A., and Zwierzchowski J. Marker detection algorithm for the navigation of a mobile
robot, 2020 27th International Conference on Mixed Design of Integrated Circuits and
System (MIXDES). IEEE, 2020, pp. 223-226.
12. Liu X., Madhusudanan H., Chen W., Li D., Ge J., Ru C., and Sun Y. Fast eye-in-hand 3-d
scanner-robot calibration for low stitching errors, IEEE Transactions on Industrial Electronics.
IEEE, 2020, Vol. 68 (9), pp. 8422-8432.
13. Lee T.E., Tremblay J., To T., Cheng J., Mosier T., Kroemer O., and Birchfield S. Camera-torobot
pose estimation from a single image, 2020 IEEE International Conference on Robotics
and Automation (ICRA). IEEE, 2020, pp. 9426-9432.
14. dos Santos Cesar D.B., Gaudig C., Fritsche M., dos Reis M.A., & Kirchner F. An evaluation
of artificial fiducial markers in underwater environments, OCEANS 2015-Genova. IEEE,
2015, pp. 1-6.
15. Westman E., and Kaess M. Underwater AprilTag SLAM and calibration for high precision
robot localization. Tech. rep. Carnegie Mellon University, 2018.
16. Korthals T., Wolf D., Rudolph D., Hesse M., and Rückert U. Fiducial Marker based Extrinsic
Camera Calibration for a Robot Benchmarking Platform, 2019 European Conference on Mobile
Robots (ECMR). IEEE, 2019, pp. 1-6.
17. Shabalina K., Sagitov A., Svinin M. and Magid E. Comparing Fiducial Markers Performance
for a Task of a Humanoid Robot Self-calibration of Manipulators: A Pilot Experimental Study,
International Conference on Interactive Collaborative Robotics. Springer, Cham, 2018,
pp. 249-258.
18. Shabalina K., Sagitov A., Sabirova L., Li H., Magid E. ARTag, AprilTag and CALTag fiducial
systems comparison in a presence of partial rotation: Manual and automated approaches, Lecture
Notes in Electrical Engineering, 2020, Vol. 495, pp. 536-558.
19. Zakiev A., Shabalina K., Magid E. Pilot Virtual Experiments on ArUco and AprilTag Systems
Comparison for Fiducial Marker Rotation Resistance, International Conference on Artificial
Life and Robotics. ICAROB, 2019, Vol. 495, pp. 132-135.
20. Wahid Z. and Nadir N. Improvement of one factor at a time through design of experiments,
World Applied Sciences Journal, 2013, Vol. 21 (1), pp. 56-61.
21. Moskvin I., Lavrenov R., Magid E., Svinin M. Modelling a Crawler Robot Using Wheels as
Pseudo-Tracks: Model Complexity vs Performance, IEEE 7th International Conference on Industrial
Engineering and Applications (ICIEA 2020), 2020, pp. 235-239.
22. Safin R., Lavrenov R., Saha S. K., and Magid E. Experiments on mobile robot stereo vision
system calibration under hardware imperfection, MATEC Web of Conferences. EDP Sciences,
2018. Vol. 161, pp. 03020.
23. Magid E., and Sagitov A. Towards robot fall detection and management for russian humanoid
AR-601, KES International Symposium on Agent and Multi-Agent Systems: Technologies and
Applications. Springer, Cham, 2017, pp. 200-209.
