roboforum.ru

Эх, если бы все изображения были бы только такими контрастными, роботы, наверное, давно уже научились бы видеть (в ролике просто идеальные условия для поиска “Feature points”). Вот только бывают и полутоновые изображения с плохим контрастом (облака к примеру), высокочастотные текстуры (зелень на деревьях, гравий) и там будет посложнее...

Для них тоже есть хорошие feature points. Кроме того в данной работе ключевое не это, а то, что они обрабатывают картинку на ПЛИС.

_________________
Все новости о моих проектах http://savethebest.ru

поиск "фич" на сколько я, не вникающий сильно во все это, знаю довольно "стандартный" процесс.. вот когда у них что-то типа AVM от EDV заработает, тогда молодцы.. я вообще не понимаю как можно при наличии возможностей, а на сколько я знаю за бугром они у многих студентов есть.. у нас с этим куда туже, можно не делать подобных вещей...

_________________
«Как сердцу выразить себя? … Мысль изреченная есть ложь!»
В этом мире меня подводит доброта и порядочность...
"двое смотрят в лужу, один видит лужу, другой отраженные в ней звезды"

Я как сильно вникающий скажу. У них все это уже сделано.

_________________
Все новости о моих проектах http://savethebest.ru

на ПЛИС?

_________________
«Как сердцу выразить себя? … Мысль изреченная есть ложь!»
В этом мире меня подводит доброта и порядочность...
"двое смотрят в лужу, один видит лужу, другой отраженные в ней звезды"

На ПЛИС разве что для военных.
Есть вообще чисто оптические реализации.

_________________
Все новости о моих проектах http://savethebest.ru

Идея: Location tree

Создаём AVM для хранения в качестве ассоциации двух координат (P[0], P[1]) в формате float.

Запоминаем центральную часть экрана в AVM как начало отсчёта. Если расстояние от центра этого распознаваемого маркера превысит некое пороговое значение, то создаём новый маркер, в который записываем координаты смещения относительно начала отсчёта. Если расстояние от центра ближайшего маркера превысит порог, то снова создаём новый маркер и т.д.

Демонстрационная версия с исходными текстами:
http://edv-detail.narod.ru/Navigator_Tool_Kit.zip

2EDV: А чего бы сначала с обычным SLAM'ом не побаловаться? Оно хоть погрешность уменьшает со временем, а тут этого не ожидается вроде?

_________________
Проект [[Open Robotics]] - Универсальные модули для построения роботов

А ссылку на литературу можно?

Ну простейший SLAM - это калман, в который в качестве искомых переменных вставляют координаты маяков и робота. А в качестве результатов измерений - координаты маяков.

Добавлено спустя 50 секунд:
Про калмана я тут в нашу вику перевел статейку: [[Фильтр Калмана]]

Добавлено спустя 1 минуту 38 секунд:
По самому SLAM-у вот тут я насобирал инфу: viewtopic.php?f=6&t=6190

Извиняюсь что сам всё в основном советами пока помогаю - с электроникой вроде более менее разделались, чтобы массовость обеспечить, сейчас за механику возьмёмся, но это вроде быстро, так что скоро и до ПО доберемся.

_________________
Проект [[Open Robotics]] - Универсальные модули для построения роботов

А как эти самые координаты маяков (локационные координаты) получить из экранных координат?

Я пока что этот вопрос не достаточно хорошо проработал. В "Navigator tool kit" просто набросок (заготовка) лежит, для дальнейших экспериментов.

Так что если знаете как, поделитесь опытом.

2EDV: Направление на маяк известно из 1 кадра (просто по расположению его в кадре), а расстояние до него известно из отношения масштабов на 2 кадрах, сделанных в разных точках пути, но в принципе в Калмана вроде можно и чисто направления скармливать.

_________________
Проект [[Open Robotics]] - Универсальные модули для построения роботов

Предлагаю простое решение проблемы того, что один и тот же обьект может распознаваться в разных ситуациях по-разному. Ну и пусть распознает по-разному. Обьяснение следующее. Просто получится, что один обьект исчезнет и на его месте может появиться другой или не появиться. Все нормально. С нами происходит то же самое на самом деле. По сути развитие разума в том и состоит, чтобы увидеть еще больше. Так что это не проблема, а направление развития искусственного интелекта, как впрочем и нашего с вами. Думаю именно с этим вы все время и будете работать, т.е. развивать способность робота располнавать одно и тоже в разном. Сразу признаюсь, что я не программист. Эта конференция меня интересует с чисто философской точки зрения и признаюсь, что здесь при решении порою мелких но практических задач, можно понять об устройстве мироздания гораздо больше, чем при абстрактных размышлениях о высших материях. Если другие участники не против, и если будут еще мысли, я буду их здесь высказывать. Удачи.

Разработал алгоритм определения текущего местоположения, основанный на классификации контрастных пятен. Вкратце, смысл следующий: ищем контрастные участки изображения, которые выделяются на общем фоне. Присваиваем каждому из них идентификатор соответствующий их размеру и соотношению сторон прямоугольной области и формируем строку идентификаторов (цепочка идентификаторов областей присутствующих на изображении). Просматриваем список ранее сохранённых строк идентификаторов. Если не находим входную строку, то добавляем её в список с текущим индексом местоположения.

Демонстрационная версия с исходными текстами:
http://edv-detail.narod.ru/Navigator_Tool_Kit.zip
Navigator_Tool_Kit\samples\LocationSearching

Решение задачи навигации пока что мне видится следующим образом:
1. Определяем текущее местоположение с помощью классификации контрастных пятен (точка, где мы находимся).
2. Ищем вокруг визуальные маяки с помощью AVM (точка, куда мы можем отправиться).

Примерно так (находимся 2 идём к 3):



Теперь планирую заняться алгоритмом определения глобального движения в кадре, для замеров перемещения робота от одной точки к другой.

а на МК например на ARM9 это переносится?