Calibrar un anillo de cuatro cámaras para robots de almacén
Visión general
De qué trata este proyecto.
Diseñarás y prototiparás un flujo de calibración usando un tablero ChArUco impreso (un tablero de ajedrez con marcadores ArUco embebidos). Recibirás un conjunto de datos de 200 fotogramas por cámara más los parámetros intrínsecos nominales del fabricante. Calibra cada cámara individualmente (intrínsecos + distorsión de lente) y luego estima la pose relativa entre las cuatro cámaras (extrínsecos). El éxito implica un error de reproyección inferior a 0,5 píxeles por cámara y un error de rotación/traslación entre cada par por debajo de 1 grado y 5 mm respectivamente. Empaqueta la tubería en un único script de Python con un manual de campo en PDF imprimible para la persona técnica.
El Briefing
Lo que harás y lo que demostrarás.
Construir una tubería de calibración ejecutable por una persona técnica en 15 minutos que devuelva un anillo de cuatro cámaras a una precisión de reproyección sub-pixel y un error de pose entre cámaras por debajo de un grado.
Earning criteria — what you'll demonstrate
- Aplicar el modelo de cámara estenopeica y los coeficientes de distorsión de lente a imágenes reales
- Estimar los extrínsecos de cámara a partir de observaciones compartidas de marcadores fiduciales entre vistas
- Validar la calidad de la calibración mediante el error de reproyección y comprobaciones de coherencia de pose
- Trasladar una tubería de investigación a una herramienta desplegable en campo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de Visión por Computador
La calibración de cámaras con geometría multivista y la disciplina de entregar una herramienta usable por personal no técnico es exactamente el trabajo del primer día de una persona junior de visión en cualquier empresa de robótica.
Este proyecto afina
- camera-calibration
- multi-view-geometry
- opencv
Machine Learning Engineer
Empaquetar un paso de preprocesado perceptivo como una tubería fiable y reproducible refleja el modo en que las personas MLE entregan tuberías de features: salidas deterministas, presupuestos de error y manuales para operaciones.
Este proyecto afina
- python
- tooling-design
- image-processing
AI Engineer
Las personas AI Engineer suelen ser dueñas de la frontera entre un modelo de percepción y operaciones de campo; este reto practica esa frontera sobre un problema real de hardware.
Este proyecto afina
- opencv
- python
- tooling-design