ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 18.10.2024
Просмотров: 17
Скачиваний: 0
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Figure 6 shows the real and the virtual experimental setup used for the investigations of this work. Both the robot and a true-scale 3D printed version of the reference sample are placed onto a levelled optical table. The robot manipulator is firmly bolted onto the table by means of a 20-mm-thick steel flange.
(На рис. 6 показаны реальная и виртуальная экспериментальная установка, использованная для исследований в данной работе. И робот, и 3D-печатная версия эталонного образца в реальном масштабе размещаются на горизонтальном оптическом столе. Робот-манипулятор прочно крепится к столу с помощью стального фланца толщиной 20 мм.)
The sample is suppor- ted and raised from the table surface through an 80-mm-high plinth that positions the barycentre of the Stanford Bunny base at an offset of 435 mm along the x-axis and the y-axis and an offset of 60 mm along the z-axis, with respect to the robot base reference system.
(Образец поддерживается и поднимается над поверхностью стола через основание высотой 80 мм, которое смещает центр тяжести основания Stanford Bunny со смещением 435 мм по оси x и оси y и со смещением 60°. мм по оси Z относительно базовой системы отсчета робота.)
The simulation environment is a virtual twin version of the real environment. 4 Simulations A MATLAB-based function was developed to generate a synthetic sensory point cloud for any given pose of the sensor.
(Среда моделирования — это виртуальный двойник реальной среды. 4 Моделирование Функция на основе MATLAB была разработана для создания синтетического сенсорного облака точек для любого заданного положения датчика.)
This was achieved by implementing a ray casting algorithm (based on [36]) to find the intersection points between the sampling directions (originating from the sensor) and the triangular mesh of the reference sample.
(Это было достигнуто за счет реализации алгоритма raycasting (на основе [36]) для нахождения точек пересечения между направлениями выборки (исходящими от датчика) и треугольной сеткой эталонного образца.)
The simulations of this work have the objective of validating the robustness of the 3D reconstruction approach. Given the stated maximum measurement noise of the utilized sensor (2% of distance), the distance between the test
(Моделирование этой работы имеет целью проверить надежность подхода трехмерной реконструкции. Учитывая заявленный максимальный шум измерения используемого датчика (2% расстояния), расстояние между испытательным).
12 – TWELFTH PAGE
poses and the target surface was limited to 200 mm, which gives an expected maximum deviation of 4 mm between the sampled point clouds and the real geometry.
(позы, а целевая поверхность была ограничена 200 мм, что дает ожидаемое максимальное отклонение 4 мм между облаками точек и реальной геометрией.)
Figure 7 shows the simulated incremental 3D reconstruction of the Stanford Bunny, using the presented framework to meet a user-specified target sampling density of ρ∗ = 0.05 points/mm2 (5 × 104 points/m2).
(На рис. 7 показана смоделированная поэтапная 3D-реконструкция Стэнфордского кролика с использованием представленной схемы для достижения заданной пользователем целевой плотности выборки ρ∗ = 0,05 точек/мм2 (5 × 104 точек/м2).)
This value of target density was chosen, since it corresponds to a length of a down- sampling cube side edge l∗ = 3.76 mm, which is similar to the expected amplitude of the measurement noise of the sensor in use, when mapping surfaces at average distance of 200 mm. Indeed, measurement noise much higher than the average distance between the points may negatively affect the accurate estimation of the surface normals.
(Это значение плотности цели было выбрано, поскольку оно соответствует длине боковой грани куба понижающей дискретизации l∗ = 3,76 мм, что аналогично ожидаемой амплитуде измерительного шума используемого датчика при отображении поверхностей в среднем расстояние 200 мм. Действительно, шум измерений, намного превышающий среднее расстояние между точками, может отрицательно сказаться на точной оценке нормалей к поверхности.)
Only the first pose was defined a priori. All following poses were autonomously defined as best next poses, using the approach described in Section 2. The sensor poses were constrained to stay above the base of the sample (oz > 60mm), in order to avoid collisions between the robot and the optical table and map the visible surface of the object (the whole surface excluding the sample base).
(Только первая поза была определена априори. Все последующие позы были автономно определены как лучшие следующие позы с использованием подхода, описанного в разделе 2. Положения датчика были ограничены, чтобы оставаться над основанием образца (унция > 60 мм), чтобы избежать столкновений между роботом и оптическим столом. и нанесите на карту видимую поверхность объекта (вся поверхность, за исключением основания образца).)
Figure 7 illustrates the achieved reconstruction process, which was simulated using the pose given in Fig. 7a as starting pose. The simulation demonstrates the possibility enabled by the presented framework to reconstruct complex surface geometries, with a minimum number of effective and autonomously chosen sensor poses
(На рис. 7 показан достигнутый процесс реконструкции, который был смоделирован с использованием позы, указанной на рис. 7а, в качестве исходной позы. Моделирование демонстрирует возможность, предоставляемую представленной структурой, для реконструкции сложной геометрии поверхности с минимальным количеством эффективных и автономно выбранных положений датчика.)
The simulation was repeated using four other starting poses. All simulated reconstructions met the first stopping condition in Eq. 19, effectively reaching the tar- get sampling density throughout the surface of the referen- ce sample.
(Моделирование было повторено с использованием четырех других исходных поз. Все смоделированные реконструкции удовлетворяли первому условию остановки в уравнении. 19, эффективно достигая целевой плотности отбора проб по всей поверхности эталонного образца.)
Although the screenshots relative to these addi- tional simulations are not presented here, in order to limit the length of this article, all relevant quantitative results are summarized in Table 1.
(Хотя снимки экрана, относящиеся к этим дополнительным симуляциям, здесь не представлены, чтобы ограничить объем этой статьи, все соответствующие количественные результаты сведены в таблицу 1.)
As it was expected, some user-specified initial poses are more convenient than others and this influences the whole reconstruction process.
(Как и ожидалось, некоторые заданные пользователем начальные позы более удобны, чем другие, и это влияет на весь процесс реконструкции.)
This causes the number of necessary sensor poses to vary. Nevertheless, it is interesting to note that all simulated reconstructions led to very similar results, in terms of number of points in the down-sampled cloud, number of triangles in the reconstruction mesh and extension of the mapped surface, despite of the difference in the starting pose and consequent next best poses used in the reconstruction pipeline.
(Это приводит к изменению количества необходимых положений датчика. Тем не менее, интересно отметить, что все смоделированные реконструкции привели к очень похожим результатам с точки зрения количества точек в облаке с пониженной дискретизацией, количества треугольников в сетке реконструкции и протяженности нанесенной на карту поверхности, несмотря на разницу в начальная поза и последующие следующие лучшие позы, используемые в конвейере реконструкции)
13 – THIRTEEN PAGE
The values of the mapped surface extension are very close to the area of the Stanford Bunny surface (excluding its base), which is 51954 mm2, as measured from the reference sample original tessellated mesh.
(Значения протяженности нанесенной на карту поверхности очень близки к площади поверхности Stanford Bunny (исключая ее основание), которая составляет 51954 мм2, измеренная по исходной мозаичной сетке эталонного образца.)
The small deviations, between the extension of the reconstructed surfaces and the reference area, are smaller than 1.6%.
(Небольшие отклонения между протяженностью восстановленных поверхностей и эталонной площадью составляют менее 1,6%.)
They are thought to have been caused by the fact that the reference virtual model and the reconstructed model are, obviously, not represented by the same set of triangulated points. 5 Sensor data results Real-data reconstructions were undertaken by means of the physical laboratory setup described in Section 3. Figure 8 illustrates the reconstruction of the Stanford Bunny, with target sampling density ρ∗ = 0.05 points/mm2, using the first pose in Fig. 7 as initial sensor pose.
(Считается, что они вызваны тем, что эталонная виртуальная модель и реконструированная модель, очевидно, не представлены одним и тем же набором триангулированных точек. 5 Результаты данных датчиков Реконструкции реальных данных были выполнены с помощью физической лабораторной установки, описанной в разделе 3. На рисунке 8 показана реконструкция Стэнфордского кролика с заданной плотностью выборки ρ∗ = 0,05 точек/мм2 с использованием первой позы на рис. 7 в качестве исходного положения датчика.)
The real system required a total of seven poses to obtain the full reconstruction of the reference sample, which exceed the respective simulation by two poses.
(Реальной системе потребовалось в общей сложности семь поз для полной реконструкции эталонного образца, что превышает соответствующее моделирование на две позы.)
This is caused by the fact that the real sensor typically fails to return some of the surface points that are within the sensor field of view. This is evident if one compares Fig. 8a with Fig. 7a.
(Это вызвано тем, что реальный датчик обычно не может вернуть некоторые точки поверхности, которые находятся в поле зрения датчика. Это видно, если сравнить рис. 8а с рис. 7а.)
The extension of the surface mapped through the real data in Fig. 8a is smaller than the ideal reconstruction relative to the same view pose, given in Fig. 7a.
(Протяженность поверхности, нанесенной на карту через реальные данные на рис. 8а, меньше, чем идеальная реконструкция относительно той же позы вида, приведенная на рис. 7а.)
The variable reflectivity of the sample causes some areas of the surface to reflect too little or too much light, impeding accurate sampling (within the sensor acceptance thresholds).
(Переменная отражательная способность образца приводит к тому, что некоторые области поверхности отражают слишком мало или слишком много света, что препятствует точному отбору проб (в пределах допустимых порогов датчика).)
This leads to the deviation of the real deployed sensor poses from the simulated poses. It is worth pointing that more sophisticated sensors, capable of returning less compromised point clouds, would produce better adherence with simulated pose coordinates and pose sequencing.
Это приводит к отклонению реальных положений развернутого датчика от смоделированных положений. Стоит отметить, что более сложные датчики, способные возвращать менее скомпрометированные облака точек, будут обеспечивать лучшее соответствие с моделируемыми координатами поз и последовательностью поз.)
Nevertheless, the real data reconstructions performed in this work proved the capability of the proposed framework to flexibly adapt to real scenarios and different starting poses and to be used with low-cost sensors.
(Тем не менее, реконструкция реальных данных
, выполненная в этой работе, доказала способность предложенной структуры гибко адаптироваться к реальным сценариям и различным стартовым позам и использоваться с недорогими датчиками.)
14 – FOURTEEN PAGE
In order to further demonstrate the flexibility of the pro- posed framework, an industrial specimen was reconstructed using the same data acquisition setup.
(Чтобы дополнительно продемонстрировать гибкость предложенной структуры, промышленный образец был реконструирован с использованием той же установки для сбора данных.)
The specimen was a 4-mm-thick carbon fibre reinforced plastic (CFRP) shell sample, moulded into a curved contour by the automotive industry.
(Образец представлял собой образец оболочки из армированного углеродным волокном пластика (CFRP) толщиной 4 мм, которому автомобильная промышленность придала изогнутый контур.)
Composite parts often suffer geometry distortion due to their elastic spring back when they are extracted from the curing mould, which makes geometry mapping a requi- rement for dimensional assessment or for programming suc- cessive robotic machining.
(Композитные детали часто подвергаются искажению геометрии из-за упругой пружинистости, когда они извлекаются из формы для отверждения, что делает картирование геометрии обязательным требованием для оценки размеров или для программирования последовательной роботизированной обработки.)
The sample had a rectangular size of circa 250 × 600 mm (Fig. 9). For the curvatures of the sample surface, this specimen was deemed representative of the challenging geometries often found in composite sam- ples, where the mapping of the lateral surface of stiffening stringers and ribs requires bespoke sensor view pose plan- ning.
(Образец имел прямоугольную форму размером около 250 × 600 мм (рис. 9). Что касается кривизны поверхности образца, этот образец был признан репрезентативным для сложной геометрии, часто встречающейся в составных образцах, где отображение боковой поверхности стрингеров и ребер жесткости требует индивидуального планирования положения сенсора.)
Figure 9 shows the contour of the sample surface for the section corresponding to the maximum geometry height.
(На рис. 9 показан контур поверхности образца для участка, соответствующего максимальной геометрической высоте.)
The sample was uniformly sprayed with a removable white matte powder (Spray-Rotrivel U, manufactured by CGM s.r.l), which gave an approximately Lambertian finish with a reflectance spectrum flat in the visible spectral region.
(На рис. 9 показан контур поверхности образца для участка, соответствующего максимальной геометрической высоте.)
This maximized the mapping performance of the depth camera in use. Figure 10 shows the reconstruction of the test sample through the approach presented in this work.
(Это максимизировало картографическую производительность используемой камеры глубины. На рис. 10 показана реконструкция тестовой выборки с помощью подхода, представленного в этой работе.)