Это графическое приложение (GUI) предназначено для сравнения классических методов решения задач вида AX = XB и AX = YB. Программа принимает на вход файлы с данными точек в формате id, X, Y, Z, RZ, RY, RX (в миллиметрах и градусах; углы заданы в порядке ZYX).
Задачи калибровки вида AX = XB и AX = YB широко применяются в робототехнике, компьютерном зрении и системах навигации (например, hand–eye calibration и robot–camera calibration).
На практике их решение связано с рядом принципиальных трудностей.
-
Наличие шума в измерениях
Реальные данные содержат погрешности, обусловленные неточностями сенсоров, ошибками трекинга, калибровки камер, энкодеров и систем локализации. Эти ошибки проявляются как в трансляции, так и во вращении. -
Чувствительность алгоритмов к типу шума
Разные методы по-разному реагируют на некоррелированный случайный шум (Gaussian Noise) и коррелированные искажения (Perlin Noise), что может приводить к существенно различным результатам при одинаковых исходных данных. -
Устойчивость к выбросам и малому числу измерений
Некоторые алгоритмы требуют большого количества пар преобразований для устойчивой работы и чувствительны к выбросам, что ограничивает их применимость в практических сценариях. -
Сложность объективного сравнения методов
В научных публикациях методы часто сравниваются на синтетических или специализированных датасетах, что затрудняет выбор подходящего алгоритма для конкретной прикладной задачи.
Цель данного приложения — предоставить единый инструмент для объективного сравнения классических методов решения задач AX = XB и AX = YB на одинаковых данных, с возможностью контролируемого добавления шума и оценки точности по набору статистических метрик.
В приложение добавлена возможность тестирования методов на зашумленных данных. Это позволяет оценить устойчивость алгоритмов к различным типам искажений.
- Perlin Noise — плавный "природный" шум, имитирующий органичные искажения (дрожание камеры, плавное движение)
- Gaussian Noise — классический гауссовский шум с нормальным распределением (случайные погрешности сенсоров)
- Загрузите два файла как обычно
- Установите чекбокс "Добавить шум к данным"
- Выберите тип шума из выпадающего списка
- Отрегулируйте уровень шума с помощью ползунка (0.0 - нет шума, 1.0 - максимальный шум)
- Нажмите "Выполнить" для анализа
При включении шума данные из файла 2 будут модифицированы перед анализом. Файл 1 остаётся неизменным, что позволяет оценить влияние шума на точность
Приложение реализует и сравнивает пять классических методов:
- tsai-lenz [https://kmlee.gatech.edu/me6406/handeye.pdf]
- park-martin [https://ieeexplore.ieee.org/abstract/document/326576]
- daniilidis [https://journals.sagepub.com/doi/abs/10.1177/02783649922066213]
- li-wang-wu [https://academicjournals.org/journal/IJPS/article-full-text-pdf/20DFAEA30999]
- shah [https://asmedigitalcollection.asme.org/mechanismsrobotics/article-abstract/5/3/031007/474841/Solving-the-Robot-World-Hand-Eye-Calibration]
- mean (среднее)
- median (медиана)
- rmse (корень из среднеквадратичной ошибки)
- p95 (95-й процентиль)
- max (максимальная ошибка)
Чтобы запустить программу достаточно открыть в каталоге app нужный фаил в соответстии с вашей системой
app.exe
app
Если вы решили собрать проект сами то:
- Убедитесь, что у вас установлен Python
- Создайте виртуальное окружение, если его нет
python -m venv venv- Активируйте виртуальное окружение:
venv\Scripts\activatesource venv/bin/activate- Установите все нужные зависимости одной командой:
pip install -r requirements.txt- Запустите приложение командой из корня проекта:
python .\src\app.py
- При запуске откроется окно приложения.
- Выберите 2 файла с точками в пространстве в указанном формате, используя кнопки "Загрузить файл 1" и "Загрузить файл 2".
- После успешной загрузки пути к выбранным файлам отобразятся рядом с кнопками.
- Отметьте чекбоксы для методов, которые хотите применить. Можно выбрать один или несколько.
- Нажмите кнопку "Выполнить" для запуска вычислений и построения графиков.
- Графики точности (для трансляции и вращения) отобразятся в соответствующих разделах окна с возможностью горизонтальной прокрутки.
- Каждый график сопровождается заголовком и кнопкой "Сохранить" для экспорта изображения в PNG или PDF.
- Приложение написано на Python с использованием Tkinter для GUI и matplotlib для визуализации графиков.
- Для генерации шума используются библиотеки noise (Perlin Noise) и scipy (Gaussian Noise).
- Приложение написано на Python с использованием Tkinter для GUI и matplotlib для визуализации графиков.
- Для генерации шума используются библиотеки noise (Perlin Noise) и scipy (Gaussian Noise).