【机器人3】图像雅可比矩阵原理与推导

这篇具有很好参考价值的文章主要介绍了【机器人3】图像雅可比矩阵原理与推导。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

理想情况下,图像像素坐标系和图像物理坐标系无倾斜,则二者坐标转换关系如下,且两边求导:
【机器人3】图像雅可比矩阵原理与推导
[ u v 1 ] = [ 1 d x 0 u 0 0 1 d y v 0 0 0 1 ] [ x y 1 ] (1) \begin{bmatrix}u\\v\\1\end{bmatrix}=\begin{bmatrix}\frac{1}{d_x}&0&u_0\\0&\frac{1}{d_y}&v_0\\0&0&1\end{bmatrix}\begin{bmatrix}x\\y\\1\end{bmatrix} \tag{1} uv1 = dx1000dy10u0v01 xy1 (1) { u ˙ = 1 d x x ˙ v ˙ = 1 d y y ˙ (2) \begin{cases}\dot{u}=\frac{1}{d_x}\dot{x}\\ \dot{v}=\frac{1}{d_y}\dot{y}\end{cases} \tag{2} {u˙=dx1x˙v˙=dy1y˙(2)由小孔成像原理,空间一点的相机坐标和图像物理坐标转换关系如下,且两边求导:【机器人3】图像雅可比矩阵原理与推导 [ x y 1 ] = [ f Z c 0 0 0 f Z c 0 0 0 1 Z c ] [ X c Y c Z c ] (3) \begin{bmatrix}x\\ y\\ 1\end{bmatrix}=\begin{bmatrix}\frac{f}{Z_c}&0&0\\ 0&\frac{f}{Z_c}&0\\ 0&0&\frac{1}{Z_c}\end{bmatrix}\begin{bmatrix}X_c\\ Y_c\\ Z_c\end{bmatrix} \tag{3} xy1 = Zcf000Zcf000Zc1 XcYcZc (3) { x ˙ = f ( X ˙ c Z c − X c Z ˙ c Z c 2 ) = f X ˙ c Z c − x Z ˙ c Z c y ˙ = f ( Y ˙ c Z c − Y c Z ˙ c Z c 2 ) = f Y ˙ c Z c − y Z ˙ c Z c (4) \begin{cases}\dot{x}=f(\frac{\dot{X}_c}{Z_c}-\frac{X_c\dot{Z}_c}{Z_c^2})=\frac{f\dot{X}_c}{Z_c}-\frac{x\dot{Z}_c}{Z_c}\\ \dot{y}=f(\frac{\dot{Y}_c}{Z_c}-\frac{Y_c\dot{Z}_c}{Z_c^2})=\frac{f\dot{Y}_c}{Z_c}-\frac{y\dot{Z}_c}{Z_c}\end{cases} \tag{4} {x˙=f(ZcX˙cZc2XcZ˙c)=ZcfX˙cZcxZ˙cy˙=f(ZcY˙cZc2YcZ˙c)=ZcfY˙cZcyZ˙c(4)固定相机,移动空间点时,速度关系为: p ˙ c = c v p + c ω p × p c (5) \dot{\boldsymbol{p}}_c =^c\boldsymbol{v}_p +^c\boldsymbol{\omega}_p\times\boldsymbol{p}_c\tag{5} p˙c=cvp+cωp×pc(5)固定空间点,移动相机时,速度关系为: p ˙ c = − c v c − c ω c × p c (6) \dot{\boldsymbol{p}}_c = -^c\boldsymbol{v}_c -^c\boldsymbol{\omega}_c\times\boldsymbol{p}_c\tag{6} p˙c=cvccωc×pc(6) { X ˙ c = − c ν c , x − c ω c , y Z c + c ω c , z Y c Y ˙ c = − c ν c , y − c ω c , z X c + c ω c , x Z c Z ˙ c = − c ν c , z − c ω c , x Y c + c ω c , y X c (7) \begin{cases}\dot{X}_c=-{}^c\nu_{c,x}-{}^c\omega_{c,y}Z_c+{}^c\omega_{c,z}Y_c\\ \dot{Y}_c=-{}^c\nu_{c,y}-{}^c\omega_{c,z}X_c+{}^c\omega_{c,x}Z_c\\ \dot{Z}_c=-{}^c\nu_{c,z}-{}^c\omega_{c,x}Y_c+{}^c\omega_{c,y}X_c\end{cases}\tag{7} X˙c=cνc,xcωc,yZc+cωc,zYcY˙c=cνc,ycωc,zXc+cωc,xZcZ˙c=cνc,zcωc,xYc+cωc,yXc(7)将(7)代入(4),得: { x ˙ = − f Z c c v c , x + x Z c c v c , z + x y f c ω c , x − f 2 + x 2 f c ω c , y + y c ω c , z y ˙ = − f Z c c v c , y + y Z c c v c , z + f 2 + y 2 f c ω c , x − x y f c ω c , y − x c ω c , z (8) \left\{\begin{array}{l} \dot{x}=-\frac{f}{Z_{c}}{ }^{c} v_{c, x}+\frac{x}{Z_{c}}{ }^{c} v_{c, z}+\frac{x y}{f}{ }^{c} \omega_{c, x}-\frac{f^{2}+x^{2}}{f}{ }^{c} \omega_{c, y}+y^{c} \omega_{c, z} \\ \dot{y}=-\frac{f}{Z_{c}}{ }^{c} v_{c, y}+\frac{y}{Z_{c}}{ }^{c} v_{c, z}+\frac{f^{2}+y^{2}}{f}{ }^{c} \omega_{c, x}-\frac{x y}{f}{ }^{c} \omega_{c, y}-x^{c} \omega_{c, z} \end{array}\right.\tag{8} {x˙=Zcfcvc,x+Zcxcvc,z+fxycωc,xff2+x2cωc,y+ycωc,zy˙=Zcfcvc,y+Zcycvc,z+ff2+y2cωc,xfxycωc,yxcωc,z(8)即: [ x ˙ y ˙ ] = [ − f Z c 0 x Z c x y f − f 2 + x 2 f y 0 − f Z c y Z c f 2 + y 2 f − x y f − x ] [ c v c , x c v c , y c v c , z c ω c , x c ω c , y c ω c , z ] (9) \begin{bmatrix}\dot{x}\\ \dot{y}\end{bmatrix}=\begin{bmatrix}-\frac{f}{Z_c}&0&\frac{x}{Z_c}&\frac{xy}{f}&-\frac{f^2+x^2}{f}&y\\ 0&-\frac{f}{Z_c}&\frac{y}{Z_c}&\frac{f^2+y^2}{f}&-\frac{xy}{f}&-x\end{bmatrix}\left[\begin{array}{l} { }^{c} v_{c, x} \\ { }^{c} v_{c, y} \\ { }^{c} v_{c, z} \\ { }^{c} \omega_{c, x} \\ { }^{c} \omega_{c, y} \\ { }^{c} \omega_{c, z} \end{array}\right]\tag{9} [x˙y˙]=[Zcf00ZcfZcxZcyfxyff2+y2ff2+x2fxyyx] cvc,xcvc,ycvc,zcωc,xcωc,ycωc,z (9)将(9)以及 x = d x ( u − u 0 ) x=d_{x}\left(u-u_{0}\right) x=dx(uu0) y = d y ( v − v 0 ) y=d_y(v-v_0) y=dy(vv0)代入(2): [ u ˙ v ˙ ] = [ − f d x Z c 0 ( u − u 0 ) Z c ( u − u 0 ) d y ( v − v 0 ) f − f 2 + d x 2 ( u − u 0 ) 2 d x f d y ( v − v 0 ) d x 0 − f d y Z c ( v − v 0 ) Z c f 2 + d y 2 ( v − v 0 ) 2 d y f − d x ( u − u 0 ) ( v − v 0 ) f − d x ( u − u 0 ) d y ] [ c v c , x c v c , y c v c , z c ω c , x c ω c , y c ω c , z ] (10) \left[\begin{array}{c} \dot{u} \\ \dot{v} \end{array}\right]=\left[\begin{array}{cccccc} -\frac{f}{d_{x} Z_{c}} & 0 & \frac{\left(u-u_{0}\right)}{Z_{c}} & \frac{\left(u-u_{0}\right) d_{y}\left(v-v_{0}\right)}{f} & -\frac{f^{2}+d_{x}^{2}\left(u-u_{0}\right)^{2}}{d_{x} f} & \frac{d_{y}\left(v-v_{0}\right)}{d_{x}} \\ 0 & -\frac{f}{d_{y} Z_{c}} & \frac{\left(v-v_{0}\right)}{Z_{c}} & \frac{f^{2}+d_{y}^{2}\left(v-v_{0}\right)^{2}}{d_{y} f} & -\frac{d_{x}\left(u-u_{0}\right)\left(v-v_{0}\right)}{f} & -\frac{d_{x}\left(u-u_{0}\right)}{d_{y}} \end{array}\right]\left[\begin{array}{l} { }^{c} v_{c, x} \\ { }^{c} v_{c, y} \\ { }^{c} v_{c, z} \\ { }^{c} \omega_{c, x} \\ { }^{c} \omega_{c, y} \\ { }^{c} \omega_{c, z} \end{array}\right] \tag{10} [u˙v˙]= dxZcf00dyZcfZc(uu0)Zc(vv0)f(uu0)dy(vv0)dyff2+dy2(vv0)2dxff2+dx2(uu0)2fdx(uu0)(vv0)dxdy(vv0)dydx(uu0) cvc,xcvc,ycvc,zcωc,xcωc,ycωc,z (10)即: [ u ˙ v ˙ ] = J i m g [ c v c c u c ] (11) \begin{bmatrix}\dot{u}\\ \dot{v}\end{bmatrix}=J_{img}\begin{bmatrix}^c\boldsymbol{v}_{c}\\^c \boldsymbol{u}_{c}\end{bmatrix}\tag{11} [u˙v˙]=Jimg[cvccuc](11)可得图像雅可比矩阵: J i m g = [ − f d x Z c 0 ( u − u 0 ) Z c ( u − u 0 ) d y ( v − v 0 ) f − f 2 + d x 2 ( u − u 0 ) 2 d x f d y ( v − v 0 ) d x 0 − f d y Z c ( v − v 0 ) Z c f 2 + d y 2 ( v − v 0 ) 2 d y f − d x ( u − u 0 ) ( v − v 0 ) f − d x ( u − u 0 ) d y ] (12) J_{img}=\left[\begin{array}{cccccc} -\frac{f}{d_{x} Z_{c}} & 0 & \frac{\left(u-u_{0}\right)}{Z_{c}} & \frac{\left(u-u_{0}\right) d_{y}\left(v-v_{0}\right)}{f} & -\frac{f^{2}+d_{x}^{2}\left(u-u_{0}\right)^{2}}{d_{x} f} & \frac{d_{y}\left(v-v_{0}\right)}{d_{x}} \\ 0 & -\frac{f}{d_{y} Z_{c}} & \frac{\left(v-v_{0}\right)}{Z_{c}} & \frac{f^{2}+d_{y}^{2}\left(v-v_{0}\right)^{2}}{d_{y} f} & -\frac{d_{x}\left(u-u_{0}\right)\left(v-v_{0}\right)}{f} & -\frac{d_{x}\left(u-u_{0}\right)}{d_{y}} \end{array}\right]\tag{12} Jimg= dxZcf00dyZcfZc(uu0)Zc(vv0)f(uu0)dy(vv0)dyff2+dy2(vv0)2dxff2+dx2(uu0)2fdx(uu0)(vv0)dxdy(vv0)dydx(uu0) (12)如有不足之处欢迎指出~文章来源地址https://www.toymoban.com/news/detail-483849.html

到了这里,关于【机器人3】图像雅可比矩阵原理与推导的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器人中欧拉角,偏航角、俯仰角、横滚角的自锁现象与四元数的来源于推导

    想要讲欧拉角,我们需要先讲物体的姿态与自由度。 什么是物体的位姿 为了描述物体(此处指的是我们的末端执行器)在空间中的位置,我们可以用一个3*1的位置矩阵去描述。 P ′ ′ = [ P X ′ ′ , P Y ′ ′ , P Z ′ ′ ] T P\\\'\\\'=[P_X\\\'\\\',P_Y\\\'\\\',P_Z\\\'\\\']^T P ′′ = [ P X ′′ ​ , P Y ′′ ​ ,

    2024年02月16日
    浏览(39)
  • 机器人运动学林沛群——变换矩阵

    对于仅有移动,由上图可知: A P = B P + A P B o r g ^AP=^BP+^AP_{B org} A P = B P + A P B or g ​ 对于仅有转动,可得: A P = B A R B P ^AP=^A_BR^BP A P = B A ​ R B P 将转动与移动混合后,可得: 一个例子 在向量中,齐次变换矩阵也是由旋转和移动组成,但要注意的是 先转动在移动 ,要是先移

    2024年02月19日
    浏览(23)
  • 水果采摘机器人的图像识别

    问题1:数苹果 思路: 使用图像处理技术进行预处理,如调整大小、灰度化、边缘检测等。 利用目标检测算法,例如基于深度学习的物体检测模型(如YOLO,SSD,Faster R-CNN),检测苹果的位置。 统计检测到的苹果数量。 绘制分布直方图。 代码示例:

    2024年02月05日
    浏览(29)
  • 谷歌推出AI模型机器人RT2 将文本和图像输出为机器人动作

    去年年底,ChatGPT火遍全球,全世界都见识了大语言模型的强大力量。人们对大模型不再陌生,开始使用基于大模型的应用绘画、作图、搜索资料、设计剧情等,而妙用不止于此。谷歌推出了Robotics Transformer 2(RT2),这是一个视觉-语言-动作(VLA)模型,可以将文本和图像输出为

    2024年02月05日
    浏览(43)
  • 机器人柔顺控制原理

    将机器人应用到具体的任务中时,往往需要考虑机器人与环境间由物理接触而产生的力,但使用位置控制无法有效控制机器人对环境的作用力。例如,在机器人引导人前往目的地的过程中,机器人会按照规划好的路线行驶,若仅使用位置控制,跟随过程中牵引力会产生突变,

    2024年02月11日
    浏览(27)
  • 雅克比矩阵在机器人运动学中的应用

    以六轴机械臂为例,设机械臂关节空间为q,位置矩阵为p,速度矩阵为v q = [ q 0 , q 1 , q 2 , q 3 , q 4 , q 5 ] q=[q_0,q_1,q_2,q_3,q_4,q_5] q = [ q 0 ​ , q 1 ​ , q 2 ​ , q 3 ​ , q 4 ​ , q 5 ​ ] p = [ x , y , z ] T = [ f x ( q ) f y ( q ) f z ( q ) ] p=[x,y,z]^T=begin{bmatrix}f_x(q) \\\\ f_y(q)\\\\ f_z(q) \\\\ end{bmatrix} p =

    2024年02月13日
    浏览(30)
  • 使用Discord机器人和Midjourney构建图像生成服务

    前言         探讨如何利用Discord机器人和Midjourney工具构建一个图像生成服务,使用户能够通过发送消息来生成图像,而无需直接与Midjourney进行交互 准备工作 确保您拥有一个 Discord 账号,并能够创建一个 Discord 服务器。 注册并获取一个 Discord 机器人的令牌(Token),以便用

    2024年02月22日
    浏览(27)
  • 机器人手眼标定原理与python实现

    机器人手眼标定分为eye in hand与eye to hand两种。介绍之前进行变量定义说明: {b}: base基坐标系 {g}: gripper夹具坐标系 {t}: target标定板坐标系 {c}: camera相机坐标系 1、眼在手上(eye in hand) 眼在手上,相机固定在机器人上。 图1. eye in hand示意图 由以上两公式得: 经变换得: 可得:

    2024年02月02日
    浏览(28)
  • MATLAB机器人对偏导数、雅克比矩阵、行列式的分析与实践

    偏导数、雅克比矩阵、行列式都是非常重要的知识点,为了让大家更容易看懂,尽量使用画图来演示。 对于导数我们已经很清楚了,某点求导就是某点的斜率,也就是这点的变化率。那么偏导数是什么,跟导数有什么不一样的地方,其实是一样的,只不过偏导是在多元(多个

    2024年02月05日
    浏览(33)
  • LabVIEW开发微控制器控制的并行机器人的实时视觉图像处理

    LabVIEW开发微控制器控制的并行机器人的实时视觉图像处理         通过相机视觉,以对目标物体的不同颜色进行分类,并与平行机器人一起拾取和放置物体。通过使用MATLAB Simulink模拟合适的机器人工作空间来研究使用相机的效率和机器人的准确性。机械臂以使用运动学计算

    2024年02月09日
    浏览(39)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包