Estou trabalhando na localização e navegação de robôs em ambientes urbanos. Eu quero usar a câmera. Mas estou um pouco confuso sobre dados LRF ou outros dados a laser.
Por que as pessoas querem usar a câmera?
por que não LRF ou outros dados a laser?
Alguém pode explicar por favor a favor da Camera?
Respostas:
Um telêmetro a laser 3D ou LIDAR, como o do Google Car, é muito mais caro que uma câmera. A outra razão é que, enquanto no caso de um LIDAR, a distância de cada pixel está disponível, os dados gerados a serem processados são enormes. Você precisa transferir e processar dados mais rapidamente, o que sai novamente como um aumento no custo. Finalmente, as câmeras geralmente têm uma vida útil mais longa, portanto, é necessária menos manutenção.
Com câmeras relativamente baratas e visão computacional, bons resultados podem ser alcançados.
Exemplos:
Além desses pontos na resposta de Bence, as câmeras podem:
navegação em ambientes urbanos
Dependendo do laser, pode haver restrições legais sobre onde você pode usá-lo. Correr pela cidade lançando raios laser pode exigir permissão / licença especiais.
Como outro já respondeu. Câmaras tipicamente são muito mais baratos do que L aser R ange F inders.
Quando você fala sobre câmera, você quer dizer que as câmeras 2D não são? Existem algumas câmeras 3D como a família de câmeras ifm O3D3xx disponíveis. Essas câmeras podem não ter a precisão de um scanner a laser, mas fornecem dados de profundidade 3D em taxas de quadros razoáveis a um preço de ~ 1k
Existem vantagens em usar um LIDAR para SLAM vs uma câmera RGB padrão?
Você pode verificar este link onde respondi anteriormente a uma pergunta um pouco semelhante. (vantagens e desvantagens de cada um)
em ambientes urbanos
Se você está se referindo a carros autônomos como os do Google, há muitas considerações e restrições (segurança, custo etc.).
Se você estiver interessado em pesquisa e aprendizado, sugiro que você use qualquer plataforma de hardware disponível.
Tenha em mente:
Eu não acho que as pessoas realmente "querem" usar apenas câmeras. Se todo pesquisador pudesse pagar os LiDARs, todos eles colocariam LiDARs em seus robôs para o ambiente externo.
As câmeras são muito baratas e o único limite para o alcance é a resolução de pixel / superpixel que você pode processar em seu algoritmo / software.
A maioria dos pesquisadores (inclusive eu) usa câmeras de luz estruturadas (embora não trabalhem ao ar livre, por isso, mudamos para câmeras RGB nesses sensores quando o robô está ao ar livre). Uma solução para esse problema de luz é que também usamos câmeras estéreo (visão estéreo / profundidade de múltiplas visualizações, que é computacionalmente cara) para determinar aproximadamente a profundidade, com base nos recursos de processamento do controlador / CPU. Outra solução que eu ainda tenho que explorar pessoalmente é usar vários Kinects / Asus Xtions etc, onde você obtém confirmação de profundidade, bem como várias câmeras RGB para o exterior.
Normalmente, os LiDARs são muito caros (na casa dos milhares de $$ para os realmente bons). Embora isso possa mudar no futuro, com algumas empresas lançando $ 250 "LiDARs" como o Sweep .
Além disso, os LRFs / LiDARs têm alcance e resolução limitados (ou seja, além de uma certa distância, eles não conseguem resolver a profundidade sem ambiguidade e, portanto, retornam 0 valores (não tenho certeza especificamente sobre LiDARs, mas as câmeras de profundidade têm um máximo (acima do qual)) como bem como o alcance mínimo (abaixo do qual) eles não fornecem profundidade).
Espero que isto ajude.
Vou acrescentar outro motivo pelo qual, sinceramente, esperava que outra pessoa surgisse. Porque por que fazemos robôs em primeiro lugar? Máquinas sem emoção para fazer o nosso trabalho sujo?
Eu acho que o fato de um robô poder confiar puramente na "visão", como nós, mamíferos, os torna mais parecidos conosco. Então, para mim, lasers e sonares estão trapaceando. O IMHO em que devemos nos concentrar, em vez de trapacear, é criar melhores câmeras com maior taxa de quadros, maior alcance dinâmico e menos artefatos, além de escrever software que possa obter os dados necessários. (Ou, falando nos termos pós-2012, treine nossas redes para obter os dados de que precisam).