Mehrkamera-Rig für ein Fahrerlose-Transportsystem-Startup kalibrieren
Übersicht
Worum es bei diesem Projekt geht.
Du entwirfst und prototypisierst einen Kalibrier-Workflow mit einem gedruckten ChArUco-Brett (Schachbrettmuster mit eingebetteten ArUco-Markern). Du erhältst einen Beispiel-Datensatz mit 200 Rohbildern pro Kamera plus die nominellen Werkseinstellungen der Kamerahersteller. Kalibriere jede Kamera einzeln (intrinsische Parameter + Linsenverzeichnung), schätze anschließend die relative Lage der vier Kameras zueinander (extrinsische Parameter). Erfolgskriterium: Rückprojektionsfehler unter 0,5 Pixel pro Kamera und ein dokumentierter Rotations-/Translationsfehler pro Kamerapaar unter 1 Grad und 5 mm. Verpacke alles in einem einzigen Python-Skript plus einem druckbaren PDF-Runbook für den Techniker.
Das Briefing
Was Du tust und was Du zeigst.
Baue eine 15-minütige, technikerfreundliche Kalibrierpipeline, die ein Vier-Kamera-Rig auf subpixelgenaue Rückprojektion und subgradgenaue Kamera-zu-Kamera-Lage zurückbringt.
Earning criteria — what you'll demonstrate
- Das Lochkameramodell und Verzeichnungskoeffizienten auf reale Bilddaten anwenden
- Extrinsische Kameraparameter aus gemeinsam beobachteten Markerpunkten schätzen
- Kalibrierqualität anhand von Rückprojektionsfehler und Lagekonsistenz validieren
- Eine forschungsnahe Pipeline in ein feldtaugliches Werkzeug überführen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenComputer Vision Engineer
Praktische Kamerakalibrierung mit Mehrsichtgeometrie kombiniert mit dem Anspruch, ein Werkzeug auszuliefern, das ein Nicht-Ingenieur bedienen kann, entspricht exakt der Einstiegsarbeit in jedem Robotikunternehmen.
Dieses Projekt schärft
- camera-calibration
- multi-view-geometry
- opencv
Machine Learning Engineer
Einen Vorverarbeitungsschritt der Wahrnehmungspipeline als zuverlässiges, reproduzierbares Werkzeug zu paketieren spiegelt die Art und Weise, wie ML-Engineers Feature-Pipelines ausliefern: deterministische Ausgaben, Fehlerbudgets und Runbooks für den Betrieb.
Dieses Projekt schärft
- python
- tooling-design
- image-processing
AI Engineer
AI Engineers verantworten regelmäßig die Schnittstelle zwischen einem Wahrnehmungsmodell und dem Feldbetrieb; diese Challenge übt genau diese Schnittstelle an einem echten Hardwareproblem.
Dieses Projekt schärft
- opencv
- python
- tooling-design
Noch eine Sache