CN105809702B - 一种基于Tsai算法的改进位姿估计方法 - Google Patents
一种基于Tsai算法的改进位姿估计方法 Download PDFInfo
- Publication number
- CN105809702B CN105809702B CN201610188763.2A CN201610188763A CN105809702B CN 105809702 B CN105809702 B CN 105809702B CN 201610188763 A CN201610188763 A CN 201610188763A CN 105809702 B CN105809702 B CN 105809702B
- Authority
- CN
- China
- Prior art keywords
- mrow
- camera
- characteristic point
- mtd
- sin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
Abstract
本发明公开了一种基于Tsai算法的改进位姿估计方法，包括步骤，对使用的相机进行标定得到相机焦距；在相机的当前使用位姿下，对空间中的共面的至少5个特征点进行成像，以特征点中任意一个特征点P0为原点建立世界坐标系，并获取特征点的世界坐标和图像坐标；利用Tsai算法求解相机所在相机坐标系相对于世界坐标系的旋转矩阵R；根据旋转矩阵R、相机焦距、以及求解得到的特征点之间线段长度，求解相机所在相机坐标系相对于世界坐标系的平移向量T；根据旋转矩阵R和平移向量T，求解相机的位姿参数。有益效果：在Tsai算法求解旋转矩阵R的基础上，改进平移向量T的求解过程，以提高位姿估计的精度和实时性，从而大幅提高适用范围。
Description
技术领域
本发明涉及一种位姿估计方法，特别是涉及一种基于Tsai算法的改进位姿估计方法，可应用于计算机视觉领域中的视觉定位及导航。
背景技术
基于视觉的位姿估计技术是计算机视觉领域中的研究热点之一，是视觉定位及导航技术的重要环节。基于视觉的位姿估计技术，通过相机捕获空间合作目标图像，通过图像处理和位姿估计算法求解相机的位姿参数，具有精度适中、成本低、使用独立灵活及抗电磁干扰的特点。
Tsai算法为常用的标定算法，可应用于位姿估计，以空间中共面的若干个特征点作为合作目标求解相机的位姿参数。然而，当相机到特征点的距离增大时，Tsai算法求解旋转矩阵R的精度较高，但求解平移向量T的精度却较低，且其迭代求解平移向量T的过程算法复杂、实时性较低。因此，目前位姿估计的适用范围有限，有待提高。
发明内容
本发明的主要目的在于，克服现有技术中的不足，提供一种基于Tsai算法的改进位姿估计方法，在Tsai算法求解旋转矩阵R的基础上，改进平移向量T的求解过程，以提高位姿估计的精度和实时性，从而大幅提高适用范围。
为了达到上述目的，本发明所采用的技术方案是：
一种基于Tsai算法的改进位姿估计方法，包括以下步骤：
步骤1、对使用的相机进行标定，得到相机焦距；
步骤2、在相机的当前使用位姿下，对空间中的共面的至少5个特征点进行成像，以特征点中任意一个特征点P0为原点建立世界坐标系，并获取特征点的世界坐标和图像坐标；
步骤3、根据特征点的世界坐标和图像坐标，利用Tsai算法求解相机所在相机坐标系相对于世界坐标系的旋转矩阵R；
步骤4、根据步骤3求得的旋转矩阵R、步骤1标定得到的相机焦距、以及求解得到的特征点之间线段长度，求解相机所在相机坐标系相对于世界坐标系的平移向量T；
具体为，
步骤4-1、根据特征点在等效成像平面上的投影点坐标、即特征点的图像坐标，选取投影点间的任意一条线段、记线段长度为l，并获取构成该线段的两个投影点对应的两个特征点、记两个特征点分别为P1和P2；
步骤4-2、将步骤3求得的旋转矩阵R作用于世界坐标系，得到旋转后的新坐标系，该新坐标系平面与相机等效成像平面平行；
根据旋转矩阵R和特征点P1、P2的世界坐标，求解特征点P1、P2在新坐标系中的坐标，进而获取特征点P1、P2在新坐标系平面上的投影点间的线段、记新线段长度为L；
步骤4-3、根据线段长度l和新线段长度L、步骤1标定得到的相机焦距、以及步骤2获取的特征点P0的图像坐标，由以下公式求解平移向量T，
T＝(x0c,y0c,z0c)T
其中，f为相机焦距，x0i、y0i为特征点P0的图像坐标，x0c、y0c、z0c为相机坐标系的相机坐标；
步骤5、根据步骤3求得的旋转矩阵R和步骤4求得的平移向量T，求解相机的位姿参数。
进一步地：所述步骤1中的标定采用张正友标定法。
进一步地：所述步骤2中的获取特征点的世界坐标和图像坐标，具体为，
步骤2-1、在空间中布置一个平面合作目标，该平面合作目标上包含至少5个特征点；
步骤2-2、以特征点中任意一个特征点P0为原点建立世界坐标系，通过工具测得特征点的世界坐标；
步骤2-3、使用已标定好焦距的相机，在相机的当前使用位姿下，对平面合作目标进行成像；
步骤2-4、利用图像处理算法，从相机采集的平面合作目标图像中提取特征点的图像坐标。
进一步地：所述工具为卷尺。
进一步地：所述步骤4-1中的选取投影点间的任意一条线段为投影点间长度最长的线段。
进一步地：所述步骤5中的求解相机的位姿参数，具体为，
步骤5-1、根据步骤3求得的旋转矩阵R，由以下公式，
采用Levenberg-Marquardt算法求解相机的姿态参数中的姿态角估计值，姿态角估计值包括俯仰角、滚转角和偏航角：
其中，α为俯仰角，β为滚转角，γ为偏航角；
步骤5-2、根据步骤4中求得的平移向量T，由以下公式求解相机的姿态参数中的位置估计值，位置估计值包括在世界坐标系中的x坐标、y坐标和z坐标：
P＝-R-1T＝(x,y,z)T
其中，P为P＝(x,y,z)T，表示相机的三维坐标，即位置参数。
与现有技术相比，本发明具有的有益效果是：
在Tsai算法求解旋转矩阵R的基础上，改进平移向量T的求解过程，具体是利用了相机焦距和特征点间距离作为冗余信息进行改进，从而提高位姿估计的精度；以及将传统Tsai算法求解平移向量T的过程由迭代计算改为线性计算，从而提高位姿估计的实时性。
上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。
附图说明
图1为本发明实施例的坐标系关系示意图。
具体实施方式
下面结合说明书附图，对本发明作进一步的说明。
本发明提供一种基于Tsai算法的改进位姿估计方法，包括以下步骤：
步骤1、对使用的相机进行标定，得到相机焦距；其中的标定可采用张正友标定法，即张氏标定法。
步骤2、在相机的当前使用位姿下，对空间中的共面的至少5个特征点进行成像，以特征点中任意一个特征点P0为原点建立世界坐标系，如图1所示，该世界坐标系平面记为XwOwYw，并获取共面上所有特征点的世界坐标和图像坐标；
具体为，
步骤2-1、在空间中布置一个平面合作目标，该平面合作目标上包含至少5个特征点；
步骤2-2、以特征点中任意一个特征点P0为原点建立世界坐标系，通过卷尺等工具测得特征点的世界坐标；
步骤2-3、使用已标定好焦距的相机，在相机的当前使用位姿下，对平面合作目标进行成像；
步骤2-4、利用图像处理算法，从相机采集的平面合作目标图像中提取特征点的图像坐标。
步骤3、根据特征点的世界坐标和图像坐标，利用Tsai算法求解相机所在相机坐标系相对于世界坐标系的旋转矩阵R。
步骤4、根据步骤3求得的旋转矩阵R、步骤1标定得到的相机焦距、以及求解得到的特征点之间线段长度，求解相机所在相机坐标系相对于世界坐标系的平移向量T；
具体为，
步骤4-1、根据特征点在等效成像平面上的投影点坐标、即特征点的图像坐标，选取投影点间的任意一条线段、记线段长度为l，并获取构成该线段的两个投影点对应的两个特征点、记两个特征点分别为P1和P2；
步骤4-2、将步骤3求得的旋转矩阵R作用于世界坐标系，得到旋转后的新坐标系，该新坐标系平面为Xw'Ow'Yw'与相机等效成像平面平行；
根据旋转矩阵R和特征点P1、P2的世界坐标，求解特征点P1、P2在新坐标系中的坐标，进而获取特征点P1、P2在新坐标系平面Xw'Ow'Yw'上的投影点间的线段、记新线段长度为L；
步骤4-3、根据线段长度l和新线段长度L、步骤1标定得到的相机焦距、以及步骤2获取的特征点P0的图像坐标，由以下公式求解平移向量T，
T＝(x0c,y0c,z0c)T
其中，f为相机焦距，x0i、y0i为特征点P0的图像坐标，x0c、y0c、z0c为相机坐标系的相机坐标。
步骤5、根据步骤3求得的旋转矩阵R和步骤4求得的平移向量T，求解相机的位姿参数；
具体为，
步骤5-1、根据步骤3求得的旋转矩阵R，
由以下公式，采用Levenberg-Marquardt算法求解相机的姿态参数中的姿态角估计值，姿态角估计值包括俯仰角、滚转角和偏航角：
其中，α为俯仰角，β为滚转角，γ为偏航角；
步骤5-2、根据步骤4中求得的平移向量T，由以下公式求解相机的姿态参数中的位置估计值，位置估计值包括在世界坐标系中的x坐标、y坐标和z坐标：
P＝-R-1T＝(x,y,z)T
其中，P为P＝(x,y,z)T，表示相机的三维坐标，即位置参数。
进一步地，所述步骤4-1中的选取线段优选为选取投影点间长度最长的一条线段，可确保精度和实时性更好，具体分析如下，
由步骤4-3中的公式可得到如下公式，
其中，L由人为布置即选取的特征点间距离决定，相机焦距f由标定得到，可认为不包含随机误差；而x0i、y0i、l由图像处理算法得到，其包含由随机噪声引起的随机误差。
则以方差衡量间接测量的随机误差，根据误差合成原理有如下公式，
可以得出，x0i、y0i、l包含方差一定的随机误差，则l越大时平移向量T的求解精度越高。因此，选取投影点间长度最长的一条线段可确保精度和实时性更好。
本发明的创新点在于，在Tsai算法求解旋转矩阵R的基础上，改进平移向量T的求解过程，以提高位姿估计的精度和实时性，从而大幅提高适用范围。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于Tsai算法的改进位姿估计方法，其特征在于，包括以下步骤：
步骤1、对使用的相机进行标定，得到相机焦距；
步骤2、在相机的当前使用位姿下，对空间中的共面的至少5个特征点进行成像，以特征点中任意一个特征点P0为原点建立世界坐标系，并获取特征点的世界坐标和图像坐标；
步骤3、根据特征点的世界坐标和图像坐标，利用Tsai算法求解相机所在相机坐标系相对于世界坐标系的旋转矩阵R；
步骤4、根据步骤3求得的旋转矩阵R、步骤1标定得到的相机焦距、以及求解得到的特征点之间线段长度，求解相机所在相机坐标系相对于世界坐标系的平移向量T；
具体为，
步骤4-1、根据特征点在等效成像平面上的投影点坐标、即特征点的图像坐标，选取投影点间的任意一条线段、记线段长度为l，并获取构成该线段的两个投影点对应的两个特征点、记两个特征点分别为P1和P2；
步骤4-2、将步骤3求得的旋转矩阵R作用于世界坐标系，得到旋转后的新坐标系，该新坐标系平面与相机等效成像平面平行；
根据旋转矩阵R和特征点P1、P2的世界坐标，求解特征点P1、P2在新坐标系中的坐标，进而获取特征点P1、P2在新坐标系平面上的投影点间的线段、记新线段长度为L；
步骤4-3、根据线段长度l和新线段长度L、步骤1标定得到的相机焦距、以及步骤2获取的特征点P0的图像坐标，由以下公式求解平移向量T，
<mrow>
<mfrac>
<msub>
<mi>x</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mn>0</mn>
<mi>c</mi>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>y</mi>
<mrow>
<mn>0</mn>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mn>0</mn>
<mi>c</mi>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mi>f</mi>
<msub>
<mi>z</mi>
<mrow>
<mn>0</mn>
<mi>c</mi>
</mrow>
</msub>
</mfrac>
<mo>=</mo>
<mfrac>
<mi>l</mi>
<mi>L</mi>
</mfrac>
</mrow>
T＝(x0c,y0c,z0c)T
其中，f为相机焦距，x0i、y0i为特征点P0的图像坐标，x0c、y0c、z0c为相机坐标系的相机坐标；
步骤5、根据步骤3求得的旋转矩阵R和步骤4求得的平移向量T，求解相机的位姿参数。
2.根据权利要求1所述的一种基于Tsai算法的改进位姿估计方法，其特征在于：所述步骤1中的标定采用张正友标定法。
3.根据权利要求1所述的一种基于Tsai算法的改进位姿估计方法，其特征在于：所述步骤2中的获取特征点的世界坐标和图像坐标，具体为，
步骤2-1、在空间中布置一个平面合作目标，该平面合作目标上包含至少5个特征点；
步骤2-2、以特征点中任意一个特征点P0为原点建立世界坐标系，通过工具测得特征点的世界坐标；
步骤2-3、使用已标定好焦距的相机，在相机的当前使用位姿下，对平面合作目标进行成像；
步骤2-4、利用图像处理算法，从相机采集的平面合作目标图像中提取特征点的图像坐标。
4.根据权利要求3所述的一种基于Tsai算法的改进位姿估计方法，其特征在于：所述工具为卷尺。
5.根据权利要求1所述的一种基于Tsai算法的改进位姿估计方法，其特征在于：所述步骤4-1中的选取投影点间的任意一条线段为投影点间长度最长的线段。
6.根据权利要求1所述的一种基于Tsai算法的改进位姿估计方法，其特征在于：所述步骤5中的求解相机的位姿参数，具体为，
步骤5-1、根据步骤3求得的旋转矩阵R，由以下公式，
采用Levenberg-Marquardt算法求解相机的姿态参数中的姿态角估计值，姿态角估计值包括俯仰角、滚转角和偏航角：
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&beta;</mi>
<mi>cos</mi>
<mi>&gamma;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&beta;</mi>
<mi>sin</mi>
<mi>&gamma;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&gamma;</mi>
<mi>sin</mi>
<mi>&alpha;</mi>
<mi>sin</mi>
<mi>&beta;</mi>
<mo>-</mo>
<mi>cos</mi>
<mi>&alpha;</mi>
<mi>sin</mi>
<mi>&gamma;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&alpha;</mi>
<mi>cos</mi>
<mi>&gamma;</mi>
<mo>+</mo>
<mi>sin</mi>
<mi>&alpha;</mi>
<mi>sin</mi>
<mi>&beta;</mi>
<mi>sin</mi>
<mi>&gamma;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&beta;</mi>
<mi>sin</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mi>&alpha;</mi>
<mi>sin</mi>
<mi>&gamma;</mi>
<mo>+</mo>
<mi>cos</mi>
<mi>&alpha;</mi>
<mi>cos</mi>
<mi>&gamma;</mi>
<mi>sin</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&alpha;</mi>
<mi>sin</mi>
<mi>&beta;</mi>
<mi>sin</mi>
<mi>&gamma;</mi>
<mo>-</mo>
<mi>cos</mi>
<mi>&gamma;</mi>
<mi>sin</mi>
<mi>&alpha;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&alpha;</mi>
<mi>cos</mi>
<mi>&beta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，α为俯仰角，β为滚转角，γ为偏航角；
步骤5-2、根据步骤4中求得的平移向量T，由以下公式求解相机的姿态参数中的位置估计值，位置估计值包括在世界坐标系中的x坐标、y坐标和z坐标：
P＝-R-1T＝(x,y,z)T
其中，P为P＝(x,y,z)T，表示相机的三维坐标，即位置参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610188763.2A CN105809702B (zh) | 2016-03-29 | 2016-03-29 | 一种基于Tsai算法的改进位姿估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610188763.2A CN105809702B (zh) | 2016-03-29 | 2016-03-29 | 一种基于Tsai算法的改进位姿估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809702A CN105809702A (zh) | 2016-07-27 |
| CN105809702B true CN105809702B (zh) | 2018-05-11 |
Family
ID=56454152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610188763.2A Expired - Fee Related CN105809702B (zh) | 2016-03-29 | 2016-03-29 | 一种基于Tsai算法的改进位姿估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809702B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326892B (zh) * | 2016-08-01 | 2020-06-09 | 西南科技大学 | 一种旋翼式无人机的视觉着陆位姿估计方法 |
| CN106373218B (zh) * | 2016-10-28 | 2019-02-05 | 中山大学 | 一种具有压线报警功能的手机行车记录仪 |
| CN106780624A (zh) * | 2016-12-14 | 2017-05-31 | 广东工业大学 | 一种基于参照物的多相机标定方法及装置 |
| CN106991705B (zh) * | 2017-04-06 | 2020-03-10 | 南京航空航天大学 | 一种基于p3p算法的位置参数估计方法 |
| CN107053177B (zh) * | 2017-04-13 | 2020-07-17 | 北京邮电大学 | 改进的基于筛选和最小二乘法的手眼标定算法 |
| EP3435333B1 (en) * | 2017-07-26 | 2020-01-29 | Aptiv Technologies Limited | Method of determining the roll angle of a vehicle mounted camera |
| CN108733066B (zh) * | 2018-05-07 | 2021-05-07 | 中国人民解放军国防科技大学 | 一种基于吊舱姿态反馈的目标跟踪控制方法 |
| CN109506624B (zh) * | 2018-10-31 | 2021-11-02 | 台州职业技术学院 | 一种基于移动机器人的分布式视觉定位系统及方法 |
| CN110555880B (zh) * | 2019-08-26 | 2022-05-10 | 桂林电子科技大学 | 一种焦距未知的p6p相机位姿估计方法 |
| CN110672009B (zh) * | 2019-10-11 | 2021-06-22 | 宁波舜宇仪器有限公司 | 基于机器视觉的基准定位、物体姿态调整及图形显示方法 |
| CN111080702B (zh) * | 2019-12-20 | 2023-05-23 | 上海巧视智能科技有限公司 | 一种基于广义线性模型的平面物体位姿测量方法 |
| CN111692921B (zh) * | 2020-06-12 | 2022-02-22 | 中山大学 | 一种基于太阳光反射的反侦察干扰方法 |
| CN114842094B (zh) * | 2022-07-04 | 2022-09-27 | 季华实验室 | 全色面阵相机和高光谱线阵相机联合标定方法、系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930544A (zh) * | 2012-11-05 | 2013-02-13 | 北京理工大学 | 一种车载摄像机的参数标定系统 |
| CN104376572A (zh) * | 2014-12-02 | 2015-02-25 | 成都理工大学 | 移动终端相机标定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2808645B1 (en) * | 2012-01-23 | 2019-02-20 | Nec Corporation | Camera calibration device, camera calibration method, and camera calibration program |
-
2016
- 2016-03-29 CN CN201610188763.2A patent/CN105809702B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930544A (zh) * | 2012-11-05 | 2013-02-13 | 北京理工大学 | 一种车载摄像机的参数标定系统 |
| CN104376572A (zh) * | 2014-12-02 | 2015-02-25 | 成都理工大学 | 移动终端相机标定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105809702A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809702B (zh) | 一种基于Tsai算法的改进位姿估计方法 | |
| CN110296691A (zh) | 融合imu标定的双目立体视觉测量方法与系统 | |
| CN104596502B (zh) | 一种基于cad模型与单目视觉的物体位姿测量方法 | |
| CN107367229B (zh) | 自由双目立体视觉转轴参数标定方法 | |
| CN108198216A (zh) | 一种机器人及其基于标识物的位姿估计方法和装置 | |
| CN109297436B (zh) | 双目线激光立体测量基准标定方法 | |
| CN107194972A (zh) | 一种摄像机标定方法及系统 | |
| CN108245788B (zh) | 一种双目测距装置及方法、包括该装置的加速器放疗系统 | |
| CN105486289B (zh) | 一种激光摄影测量系统及相机标定方法 | |
| CN108489398B (zh) | 一种广角场景下激光加单目视觉测量三维坐标的方法 | |
| CN106295512B (zh) | 基于标识的多纠正线室内视觉数据库构建方法以及室内定位方法 | |
| CN110009690A (zh) | 基于极线校正的双目立体视觉图像测量方法 | |
| CN111028205B (zh) | 一种基于双目测距的眼睛瞳孔定位方法及装置 | |
| CN106709222B (zh) | 基于单目视觉的imu漂移补偿方法 | |
| CN106991705B (zh) | 一种基于p3p算法的位置参数估计方法 | |
| CN111210478B (zh) | 一种无共同视野多相机系统外参标定方法、介质及系统 | |
| CN104913775B (zh) | 无人机对地高度的测量方法、无人机定位方法及装置 | |
| CN110209184A (zh) | 一种基于双目视觉系统的无人机避障方法 | |
| CN108663043A (zh) | 基于单个相机辅助的分布式pos主子节点相对位姿测量方法 | |
| CN108921889A (zh) | 一种基于扩增现实应用的室内三维定位方法 | |
| CN110065075A (zh) | 一种基于视觉的空间细胞机器人外部状态感知方法 | |
| WO2023134237A1 (zh) | 用于机器人的坐标系标定方法、装置、系统以及介质 | |
| CN109102567A (zh) | 一种基于重建误差最小化的位姿参数高精度求解方法 | |
| CN112229323A (zh) | 基于手机单目视觉的棋盘格合作目标的六自由度测量方法及其应用 | |
| CN110645928A (zh) | 一种三维扫描仪空间坐标定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180511 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |