Компьютерное моделирование влияния параметров оптической системы на погрешность определения ориентации и положения кодового маркера

Шматко Е.В., Сивов Н.Ю., Еремин Д.В., Поройков А.Ю.

Полный текст на elibrary.ru

Ссылка для цитирования:

Шматко Е.В., Сивов Н.Ю., Еремин Д.В., Поройков А.Ю. Компьютерное моделирование влияния параметров оптической системы на погрешность определения ориентации и положения кодового маркера // Оптический журнал. 2024. Т. 91. № 7. С. 71–79. http://doi.org/10.17586/1023-5086-2024-91-07-71-79

Shmatko E.V., Sivov N.Yu., Eremin D.V., Poroykov A.Yu. Computer simulation of the influence of optical system parameters on the error in determining the orientation and position of a fiducial marker [in Russian] // Opticheskii Zhurnal. 2024. V. 91. № 7. P. 71–79. http://doi.org/10.17586/1023-5086-2024-91-07-71-79

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Влияние параметров оптической системы на погрешность определения ориентации и положения кодовых маркеров. Цель работы. Получение зависимостей абсолютной погрешности положения и ориентации маркера от различных факторов. Метод. подход к оценке погрешности системы машинного зрения на основе кодовых маркеров с применением компьютерного моделирования изображений в графической системе Unity 3D. Основные результаты. В ходе моделирования синтезировано и обработано более 100 000 изображений кодовых маркеров AprilTag в различных положениях и ориентациях. После обработки результатов моделирования получены зависимости абсолютной погрешности положения и ориентации от расстояния между камерой и маркером, от угла поворота маркера и от фокусных расстояний объектива камеры. Практическая значимость. Полученные результаты будут использованы для оптимизации расположения маркеров на платформе, подбора положения видеокамер и фокусных расстояний их объективов, а также внесения изменений в алгоритм обработки изображений в целях повышения точности проводимых измерений на системе отработки алгоритмов ориентации микроспутников.

Ключевые слова:

компьютерное моделирование, кодовый маркер, ориентация и положение объекта в пространстве

Коды OCIS: 120.0120, 100.2000, 100.4145

Список источников:

1. Kok M., Hol J.D., Schön Th.B. Using inertial sensors for position and orientation estimation // Foundations and Trends in Signal Proc. 2017. V. 11. № 1–2. 153 p. http://dx.doi.org/10.1561/2000000094

2. Wu R., Chen Y., Pan Y., et al. Determination of three-dimensional movement for rotary blades using digital image correlation // Opt. and Lasers in Eng. 2015. V. 65. P. 38–45. https://doi.org/10.1016/j.optlaseng.2014.04.020

3. Liu T., Burner A., Jones T., et al. Photogrammetric techniques for aerospace applications // Progress in Aerospace Sci. 2012. V. 54. P. 1–58. https://doi.org/10.1016/j.paerosci.2012.03.002

4. Jurado-Rodriguez D., Muñoz-Salinas R., Garrido-Jurado S., et al. 3D model-based tracking combining edges, keypoints and fiducial markers // Virtual Reality. 2023. V. 27. P. 3051–3065. https://doi.org/10.1007/s10055-023-00853-5

5. Kansal S., Mukherjee S. Vision-based kinematic analysis of the Delta robot for object catching // Robotica. 2022. V. 40. № 6. P. 2010–2030. https://doi.org/10.1017/S0263574721001491

6. Vela C., Fasano G., Opromolla R. Pose determination of passively cooperative spacecraft in close proximity using a monocular camera and AruCo markers // Acta Astronautica. 2022. V. 201. P. 22–38. https://doi.org/10.1016/j.actaastro.2022.08.024

7. Vörös V., Page A.S., Deprest J., et al. Motion and viewing analysis during minimally invasive surgery for autostereoscopic visualization // Int. J. Computer Assisted Radiology and Surgery. 2023. V. 18. № 3. P. 527–535. https://doi.org/10.1007/s11548-022-02753-6

8. Olson E. AprilTag: A robust and flexible visual fiducial system // 2011 IEEE Int. Conf. Robotics and Automation. 2011. P. 3400–3407. https://doi.org/10.1109/ICRA.2011.5979561

9. Olson E., Wang J. AprilTag 2: Efficient and robust fiducial detection // 2016 IEEE/RSJ Int. Conf. Intelligent Robots and Systems (IROS). 2016. P. 4193–4198. https://doi.org/10.1109/IROS.2016.7759617

10. Garrido-Jurado S., Muñoz-Salinas R., Madrid-Cuevas F., et al. Automatic generation and detection of highly reliable fiducial markers under occlusion // Pattern Recognition. 2014. V. 47. № 6. P. 2280–2292. https://doi.org/10.1016/j.patcog.2014.01.005

11. Calvet L., Gurdjos P., Griwodz C., et al. Detection and accurate localization of circular fiducials under highly challenging conditions // 2016 IEEE Conf. Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA. 2016. P. 562–570. https://doi.org/10.1109/CVPR.2016.67

12. Fischler M.A., Bolles R.C. Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography // Commun. ACM. 1981. V. 24. № 6. P. 381–395. https://doi.org/10.1145/358669.358692

13. Шапиро Л., Стокман Дж. Компьютерное зрение: учеб. пособ. / 3-е изд. (электронное) / Пер. с англ. Богуславского А.А. под ред. Соколова С.М. М.: БИНОМ. Лаборатория знаний, 2015. 763 с.

Shapiro L.G., Stockman G.C. Computer vision. Prentice Hall, 2001. 580 p.

14. Болотских А.А., Иванов Д.С., Ткачёв С.С. Лабораторное исследование алгоритмов определения углового движения наноспутника на стенде с аэродинамическим подвесом // XLV академические чтения по космонавтике, посвященные памяти академика С.П. Королёва и других выдающихся отечественных ученых – пионеров освоения космического пространства. Сб. тез. Т. 1. М.: изд. МГТУ им. Н.Э. Баумана, 2021. C. 387–388.

Bolotskikh A., Ivanov D., Tkachev S. Laboratory study of angular motion determination algorithms for nanosatellite on laboratory facility with aerodynamic suspension // AIP Conf. Proc. 2023. P. 060004. https://doi.org/10.1063/5.0107896

15. Shmatko E.V., Poroykov A.Yu. The estimation of inertial measurement units accuracy using digital image processing algorithms // 2022 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF), IEEE. 2022. P. 1–4. https://doi.org/10.1109/WECONF55058.2022.9803505

16. Kalaitzakis M., Carroll S., Ambrosi A., et al. Experimental comparison of fiducial markers for pose estimation // Int. Conf. Unmanned Aircraft Systems (ICUAS). 2020. P. 781–789. https://doi.org/10.1109/ICUAS48674.2020.9213977

17. Ullah S., Javed M., Rabbi I., et al. Analysing the attributes of fiducial markers for robust tracking in augmented reality applications // Int. J. Computational Vision and Robotics. 2017. V. 7. № 1/2. P. 68–82. https://doi.org/10.1504/IJCVR.2017.10001817

18. Abbas S.M., Aslam S., Berns K., et al. Analysis and improvements in apriltag based state estimation // Sensors (Basel). 2019. V. 19. P. 1–32. https://doi.org/10.3390/s19245480

19. Liu Y., Schofield H., Shan J. Intensity image-based LiDAR fiducial marker system // IEEE Robotics and Automation Lett. 2022. V. 7. № 3. P. 6542–6549. https://doi.org/10.1109/LRA.2022.3174971

20. Górski F., Wichniarek R., Kuczko W., et al. Influence of marker arrangement on positioning accuracy of objects in a virtual environment // Advances in Sci. and Technol. Research J. 2015. V. 9. № 28. P. 112–119. https://doi.org/10.12913/22998624/60797

21. Shmatko E.V., Sivov N.Yu., Poroykov A.Y. Estimation of rotation measurement error of objects using computer simulation // 2023 5th Int. Youth Conf. Radio Electronics, Electrical and Power Engineering (REEPE), IEEE. 2023. P. 1–6. https://doi.org/ 10.1109/REEPE57272.2023.10086903

22. Poroykov A., Pechinskaya O., Shmatko E., et al. An error estimation system for close-range photogrammetric systems and algorithms // Sensors. 2023. V. 23. № 24. P. 9715. https://doi.org/10.3390/s23249715