Key points are not available for this paper at this time.
La calibration main-œil consiste à estimer la transformation entre la caméra et le robot. Les méthodes traditionnelles reposent sur des marqueurs fiduciaires, impliquant beaucoup de travail manuel et une configuration minutieuse. Les avancées récentes en apprentissage profond offrent des techniques sans marqueurs, mais elles posent des défis, notamment la nécessité de réentraîner les réseaux pour chaque robot, la nécessité de modèles maillés précis pour la génération de données et la nécessité de traiter l'écart entre simulation et réalité. Dans cette lettre, nous proposons Kalib, un pipeline de calibration main-œil automatique et universel sans marqueurs qui tire parti de la généralisabilité des modèles visuels fondamentaux pour éliminer ces barrières. Dans chaque processus de calibration, Kalib utilise le suivi de points clés et des capteurs proprioceptifs pour estimer la transformation entre l'espace de coordonnées d'un robot et ses points correspondants dans l'espace caméra. Notre méthode ne nécessite pas d'entraîner de nouveaux réseaux ni d'accéder à des modèles maillés. À travers des évaluations dans des environnements de simulation et le jeu de données du monde réel DROID, Kalib démontre une précision supérieure par rapport aux méthodes de référence récentes. Cette approche fournit un processus de calibration efficace et flexible pour divers systèmes robotiques en simplifiant la configuration et en supprimant la dépendance à des marqueurs physiques précis.
Tang et al. (mar.) ont étudié cette question.