Progetto e Realizzazione di un Sensore Ibrido Omnidirezionale/pin ...

More documents

Recommendations

Info

e di sinistra anch’esse del tipo sub 2) o sub 4); tale vicinanza è stabilita in base alla distanza angolare tra i baricentri (x b ,y b ) e (x bi ,y bi ) delle regioni rispetto al centro del sistema di riferimento del robot, e in base al posizionamento degli apici e dei baricentri delle regioni stesse. Ad esempio la regione i è la vicina di destra (se esiste) di quella in questione se: (y si < y b < y 1i ) OR (y s < y bi < y 1 ) e l’angolo (X b ,Y b )-O-(X bi ,Y bi ) è il minimo tra quelli delle regioni che rispettano la prima condizione; Questo è un passo molto importante perché individua le coppie di regioni differenza che identificano le possibili regioni ostacolo rappresentate dalle aree comprese tra due regioni differenza prime vicine e le aree comprese tra una regione differenza e il margine laterale del campo visivo (qualora la regione differenza non abbia una regione vicina a destra o a sinistra). − Sulla base delle statistiche inizialmente calcolate si trovano i valori di alcuni indicatori sulla presenza di ostacoli, sia operando su singole regioni differenza (data ogni regioni differenza si attribuirà una maggiore probabilità alla presenza di un ostacolo alla sua destra piuttosto che alla sua sinistra se la variazione di colore e di intensità luminosa sarà minore a destra che a sinistra), sia su coppie vicine di regioni differenza (data una coppia di regioni differenza la presenza di un ostacolo nell’area compresa tra di esse può essere indicata da una colorazione simile presente all’interno delle due regioni stesse, nonché da un’intensa variazione di colorazione, studiata con la tecnica fuzzy descritta in seguito, nella zona tra gli apici inferiori delle regioni stesse, corrispondente alla base del possibile ostacolo). Questi indicatori verranno esaminati più approfonditamente in seguito. − Fase di matching: a ognuno di questi indicatori utilizzati viene fornito un peso e se ne opera una media ponderata, andando quindi ad attribuire ad ogni area compresa tra due regioni differenza vicine (o tra una regione differenza e il margine laterale del campo visivo) un certo grado di probabilità sulla presenza in quell’area d’immagine di un ostacolo (ossia attribuendo una probabilità alle possibili regioni ostacolo). Questi indicatori vengono letti più volte con soglie decrescenti in maniera da permettere e privilegiare prima un matching “forte”, poi via via uno più debole. 92
Le regioni differenza che non risultano trovare matching vengono lasciate in sospeso come regioni incerte. Vediamo più nel dettaglio le fasi di controllo richieste da questa fase dall’algoritmo: 1. definiamo una soglia di probabilità So = 0.9, pari cioè, per l’uso che se ne farà, ad un valore molto alto. 2. Per ognuna delle regioni differenza del caso sub 2) e sub 4), e per ognuna delle coppie individuate (possibili regioni ostacolo), calcolo i valori degli indicatori precedentemente descritti e, operandone una media ponderata (vedremo in seguito i pesi di questa media), associo alle possibili regioni ostacolo un grado di probabilità. 3. Tutte le aree comprese tra due regioni differenza, o tra una regione differenza e il margine del campo visivo (ossia tutte le possibili regioni ostacolo), che abbiano un indice di probabilità superiore o pari alla soglia So, verranno definite come ostacolo e le relative regioni differenza subiranno il matching. 4. Se tutte le regioni dei casi sub 2) e sub 4) hanno trovato matching l’operazione è finita, altrimenti si riduce la soglia So (ad esempio So = So – 0.1) e si ripete dal punto 3. Se però So è pari ad un valore minimo prefissato (nel nostro caso pari a 0.3), si prosegue dal punto seguente. 5. tutte le regioni del tipo sub 2) e sub 4) che non hanno trovato matching vengono considerate incerte. Vediamo ora più approfonditamente gli indicatori utilizzati in questa fase di matching: ipotizziamo ad esempio di avere due regioni differenza vicine indicate con s (quella sinistra) e d (quella destra), e calcoliamo la probabilità che la regione compresa tra di esse (Os) sia effettivamente un ostacolo: − indicatore di variazione di intensità luminosa V: V = 0 se (VmDs < 2 VmSs) AND (VmSd < 2 VmDd) V = 0.5 se (VmDs = 2 VmSs) XOR (VmSd = 2 VmDd) V = 1 se (VmDs = 2 VmSs) AND (VmSd = 2 VmDd) Dove VmS e VmD indicano la varianza di intensità luminosa ai lati delle regioni 93
Page 1 and 2:
Università degli Studi di Parma Fa
Page 3 and 4:
3.2. Soluzione roto-traslazionale 7
Page 5 and 6:
sensore HOPS, nel terzo (brevemente
Page 7 and 8:
Capitolo 1. La visione artificiale
Page 9 and 10:
1.2. Le fasi di elaborazione delle
Page 11 and 12:
1.3. La visione artificiale e la ro
Page 13 and 14:
una ricostruzione tridimensionale c
Page 15 and 16:
1.4. Obiettivi generali e introduzi
Page 17 and 18:
Capitolo 2. Calibrazione di un sens
Page 19 and 20:
misurare la risoluzione dell’imma
Page 21 and 22:
Figura 2.1 Nel processo descritto l
Page 23 and 24:
calibrazione deve individuare) e I(
Page 25 and 26:
2.2. Sensore catadiottrico per la v
Page 27 and 28:
Tutti questi aspetti fanno sì che
Page 29 and 30:
2.2.2. Realizzazione del prototipo
Page 31 and 32:
egione centrale e una esterna dello
Page 33 and 34:
2.2.3.1. Tecnica di calibrazione ge
Page 35 and 36:
dell’equazione f(R) con R distanz
Page 37 and 38:
160 140 120 d (pixel) 100 80 60 40
Page 39 and 40:
Figura 2.9 Questa interpolazione li
Page 41 and 42: Scegliere in questo modo i punti ca
Page 43 and 44: Figura 2.14 Figura 2.15 Dall’osse
Page 45 and 46: Figura 2.16 Invece di eseguire ques
Page 47 and 48: Nelle figure è mostrato il confron
Page 49 and 50: Figura 2.25 Figura 2.26 49
Page 51 and 52: 2.3.1. Variante della tecnica di ca
Page 53 and 54: Figura 2.29 Qui si può notare come
Page 55 and 56: y c = round( C(Y a ) ) x c = round[
Page 57 and 58: 2.4.1. Analisi dei requisiti Dato u
Page 59 and 60: Figura 2.32 59
Page 61 and 62: Figura 2.33 IMAGELAB utilizza le ta
Page 63 and 64: Ed ora passiamo ai moduli del siste
Page 65 and 66: Uses MATRICI; -- qui MATRICI viene
Page 67 and 68: Figura 2.34 Figura 2.35 Si può not
Page 69 and 70: di destra, ad essa competerà una l
Page 71 and 72: 3.2. Soluzione roto-traslazionale C
Page 73 and 74: Figura 3.2 Figura 3.3 Figura 3.4 73
Page 75 and 76: 4.2. Algoritmi utilizzati e risulta
Page 77 and 78: Figura 4.2 La prima operazione che
Page 79 and 80: La seconda operazione è una trasfo
Page 81 and 82: Figura 4.8 Figura 4.9 Figura 4.10 8
Page 83 and 84: Nell’immagine ottenuta dal confro
Page 85 and 86: Figura 4.14 85
Page 87 and 88: tutte le altre vengono calcolati un
Page 89 and 90: successiva fase di matching: if { [
Page 91: Per commentare l’esempio, secondo
Page 95 and 96: Mentre i primi due indicatori si fo
Page 97 and 98: Utilizzando i seguenti valori di so
Page 99 and 100: Figura 4.19 I tempi medi di esecuzi
Page 101 and 102: Figura 4.20 Acquisizione frontale A
Page 103 and 104: Acquisizione frontale Acquisizione
Page 105 and 106: 4.3. Sviluppi futuri In questa prim
Page 107 and 108: 5.2. Definizione dei requisiti Il m
Page 109 and 110: sistema R1.5 Identificare il campo
Page 111 and 112: 5.3. Analisi dei requisiti e modell
Page 113 and 114: Feature Robot Ogni elemento di cui
Page 115 and 116: Suddividiamo i concetti tra queste
Page 117 and 118: 5.4. Progetto del modulo visivo Com
Page 119 and 120: Package Coordinamento Generale Comu
Page 121 and 122: Vediamo poi il processo di start up
Page 123 and 124: ImmagineRGB ImmagineRGB Ricostruita
Page 125 and 126: 5.5. Sviluppi futuri Nello svolgime
Page 127 and 128: Gli sviluppi futuri si concentreran
Page 129 and 130: Bertozzi M., Broggi A. Real Time La
Page 131 and 132: Mallot H.A., Zielke T., Storjohann
show all

Progetto e Realizzazione di un Sensore Ibrido Omnidirezionale/pin ...

Create successful ePaper yourself

Delete template?

Save as template?