Operácie

WhyCon

Zo stránky SensorWiki

Verzia z 18:37, 16. máj 2026, ktorú vytvoril Balogh (diskusia | príspevky)

A precise, efficient and low-cost localization system

Presná a spoľahlivá lokalizácia je jedným z kľúčových problémov mobilnej robotiky. Obvykle sa tento problém rieši metódami simultánnej lokalizácie a mapovania (SLAM). Napriek tomu sa však často používajú aj externé lokalizačné systémy, či už pre riadenie v uzavretej slučke, alebo pre meranie polohy. WhyCon je rýchly a presný vizuálny softvér pre lokalizáciu viacerých robotov. Jadrom je nový a efektívny algoritmus pre rozpoznávanie čierno-bielych vzorov. Metóda je robustná a odolná voči zmenám osvetlenia, má presnosť na úrovni pixelov a jej výpočtová zložitosť nezávisí od veľkosti spracovaného obrazu. Je dostatočne rýchla a zvláda spracovať stovky snímkov za sekundu pomocou bežného počítača a lacnej kamery, pričom dosahuje až milimetrovú presnosť.

Vstup: farebný alebo čiernobiely obrázok z jednej kamery

Výstup: pozície kruhových značiek v priestore

Algoritmus:

  1. segmentácia prehľadávaním do šírky,
  2. filtrácia výsledkov (kruhovosť, sústrednosť, pomer farieb atď),
  3. presné parametre 2d vzoru,
  4. reprojekcia do 3d,
  5. transformácia do daného súradnicového systému.
  • inicializácia hľadania na poslednej pozíci v obraze,
  • spracovanie iba relevantných pixelov,
  • uložené medzivýsledky vo fronte pozícií.

Podrobný opis algoritmu je zachytený na prednáške T. Krajníka

ku ktorej sú k dispozícii aj


WhyCon detekcia je v podstate séria filtrov, kde každý krok zúži počet možných kandidátov. Celý postup je vidno na nasledovnom obrázku:

  • Krok 1 — Šedotónový + blur. Farba nás nezaujíma (marker je čiernobiely), Gaussian blur odstráni šum.
  • Krok 2 — Adaptívny prah. Každý pixel porovná so svojím okolím (51×51 px okno) a rozhodne: tmavší než priemer → biela, svetlejší → čierna. Preto to funguje aj pri nerovnomernom osvetlení — na rozdiel od globálneho prahu, ktorý by v tmavom rohu videl "všetko čierne".
  • Krok 3 — Kontúry s hierarchiou. OpenCV nájde hranice všetkých bielych oblastí (v tomto snímku 1021). Kľúčové je RETR_TREE — zachová informáciu, ktorá kontúra je vnútri ktorej (rodič → dieťa).
  • Krok 4 — Filter na cirkularitu. Z 1021 kontúr zostanú len 3 kruhové. Cirkularita = 4π × plocha / obvod². Dokonalý kruh = 1.0, stena bludiska ≈ 0.1. Filtrujeme na ≥ 0.55.
  • Krok 5 — Rodič-dieťa test. Toto je jadro WhyConu. Hľadáme kruhovú kontúru, ktorá má vnútri seba ďalšiu kruhovú kontúru — čiže prstenec s kruhovým stredom. Navyše kontrolujeme pomer plôch: pri pomere priemerov 2:1 je pomer plôch * 0.25. V tvojom snímku vyšiel 0.24 — presne sedí.
  • Krok 6 — Najlepší kandidát. Ak prešlo viacero, vyberie sa ten s najvyšším skóre (kombinácia cirkularity oboch kruhov a veľkosti).




Jednotlivé kroky algoritmu WhyCon.


WhyCon Tracker — Kompletný návod (Ubuntu Linux) podľa Claude.AI

Tento návod ťa prevedie celým procesom od inštalácie softvéru, cez kalibráciu kamery, až po spracovanie videa, vykreslenie trajektórie a generovanie videa s postupne rastúcou stopou robota.

1. Inštalácia základných závislostí

Nainštaluj Python 3 a pip: 

sudo apt update
sudo apt install python3 python3-pip python3-venv ffmpeg

Vytvor si virtuálne prostredie (odporúčané): 

python3 -m venv ~/whycon-env
source ~/whycon-env/bin/activate

Nainštaluj Python knižnice: 

pip install opencv-python numpy matplotlib

Ak by opencv-python hlásil chýbajúce systémové knižnice: 

sudo apt install libgl1-mesa-glx

Priprav pracovný priečinok: 

mkdir -p ~/whycon-tracking/output
cd ~/whycon-tracking

Skopíruj sem súbor whycon_tracker.py, tvoje videá a prípadne calibration.npz.


2. Inštalácia GPU akcelerácie (voliteľné)

Ak máš NVIDIA GPU, môžeš urýchliť dekódovanie videa. Toto je úplne voliteľné — skript funguje aj bez GPU, len pomalšie.

Predpoklady

Potrebuješ nainštalovaný NVIDIA driver. Over si: 

nvidia-smi

Ak príkaz funguje a vidíš svoju GPU, máš driver v poriadku.

FFmpeg s NVDEC podporou

Štandardný FFmpeg z Ubuntu repozitárov zvyčajne podporuje NVDEC. Over si: 

ffmpeg -hwaccels

V zozname by si mal vidieť cuda. Ak tam nie je, nainštaluj FFmpeg s NVIDIA podporou: 

sudo apt install ffmpeg

Ak ani potom cuda nevidíš, skús nainštalovať FFmpeg zo snap alebo z oficiálneho buildu: 

# Snap verzia (zvyčajne obsahuje NVDEC):
sudo snap install ffmpeg

# Alebo stiahni statický build:
# https://johnvansickle.com/ffmpeg/

Overenie funkčnosti

# Test GPU dekódovania na tvojom videu:
ffmpeg -hwaccel cuda -i tvoje_video.mp4 -f null - 2>&1 | tail -5

Ak prebehne bez chyby, GPU akcelerácia funguje.


3. Príprava markera a šachovnice

WhyCon marker

WhyCon marker je čierny disk s bielym kruhovým stredom. Pomer vonkajšieho a vnútorného priemeru by mal byť približne 2:1 (napr. vonkajší 122 mm, vnútorný 61 mm).

Hotový marker na stiahnutie:

Vytlač na matný papier. Zmeraj a zapíš si presný vonkajší priemer v milimetroch.

Kalibračná šachovnica

Stiahni si šachovnicový vzor:

Vytlač na A4 a nalep na tuhý podklad (kartón, clipboard). Pri tlači vypni škálovanie — tlač na 100%.

Zapamätaj si:

  • Počet vnútorných rohov (nie štvorčekov!) — šachovnica 11×8 štvorčekov = 10×7 rohov
  • Veľkosť štvorčeka v mm — odmeraj po vytlačení


4. Nahrávanie videí

Nastavenie kamery

Upevni kameru na stabilné miesto nad bludisko (statív, konzola, strop). Nastav:

  • Najvyššie dostupné rozlíšenie (ideálne 4K)
  • Pevný fokus (zamkni autofokus) na vzdialenosť bludiska
  • Rovnaké nastavenie pre kalibráciu aj nahrávanie robota

Kalibračné video (60–90 sekúnd)

Vezmi šachovnicu na tuhom podklade a pomaly ju presúvaj a nakláňaj pred kamerou:

  • V rôznych častiach obrazu (stred, rohy, hrany)
  • Pod rôznymi uhlami (naklonená do všetkých strán)
  • V rôznych vzdialenostiach
  • Pomaly — nesmie byť rozmazaná

Video s robotom

Spusti nahrávanie, potom robota. Uisti sa, že WhyCon marker na robote je viditeľný z pozície kamery.


5. Spracovanie — príklady použitia

Pred spustením sa uisti, že máš aktivovaný virtuálny environment a si v správnom priečinku: 

source ~/whycon-env/bin/activate
cd ~/whycon-tracking

Kompletný pipeline (kalibrácia + tracking + trail video)

python3 whycon_tracker.py \
    --calib kalibracia.mp4 \
    --video kobuki1.mp4 \
    --board-size 9,6 \
    --square-size 25.0 \
    --marker-diam 122.0 \
    --trail-video

Len tracking s uloženou kalibráciou

python3 whycon_tracker.py \
    --video kobuki1.mp4 \
    --use-calib calibration.npz

Tracking bez kalibrácie (len pixelové súradnice)

python3 whycon_tracker.py \
    --video kobuki1.mp4 \
    --no-calib

S GPU akceleráciou

python3 whycon_tracker.py \
    --video kobuki1.mp4 \
    --use-calib calibration.npz \
    --gpu \
    --trail-video

Dlhé video — zrýchlenie spracovania

# Každý 3. snímok (10 fps pri 30fps videu):
python3 whycon_tracker.py \
    --video dlhe_video.mp4 \
    --use-calib calibration.npz \
    --every-n 3 \
    --trail-video \
    --gpu

Trail video s mizajúcou stopou

Namiesto celej stopy od začiatku sa zobrazí len posledných N sekúnd: 

# Stopa mizne po 10 sekundách:
python3 whycon_tracker.py \
    --video kobuki1.mp4 \
    --no-calib \
    --trail-video \
    --trail-fade 10

Trail video s bodkami namiesto čiar (odolné voči chybným detekciám)

Ak detekcia občas "preskočí" na nesprávne miesto, spojité čiary vytvárajú rušivé skoky naprieč celým obrazom. Bodkový režim kreslí každú detekciu ako samostatný bod — správne detekcie vytvoria kvázi spojitú stopu, zatiaľ čo ojedinelé chybné detekcie budú len nevýrazné izolované body: 

python3 whycon_tracker.py \
    --video kobuki1.mp4 \
    --no-calib \
    --trail-video \
    --trail-dots

# Kombinovateľné s GPU a fade:
python3 whycon_tracker.py \
    --video dlhe_video.mp4 \
    --use-calib calibration.npz \
    --trail-video \
    --trail-dots \
    --trail-fade 15 \
    --gpu


6. Prehľad všetkých parametrov

Parameter Predvolená hodnota Popis
--video (povinný) Cesta k videu s robotom
--calib — Cesta ku kalibračnému videu
--use-calib — Cesta k uloženej kalibrácii (.npz)
--no-calib — Preskočiť kalibráciu
--board-size 9,6 Vnútorné rohy šachovnice (šírka,výška)
--square-size 25.0 Veľkosť štvorčeka šachovnice v mm
--marker-diam 122.0 Vonkajší priemer WhyCon markera v mm
--every-n 1 Spracovať každý N-tý snímok
--output-dir ./output Výstupný priečinok
--trail-video — Vygenerovať video s rastúcou stopou
--trail-dots — Kresliť bodky namiesto čiar (odolné voči chybám)
--trail-fade 0 Dĺžka mizajúcej stopy v sekundách (0 = celá stopa)
--gpu — Použiť NVIDIA GPU na dekódovanie videa


7. Výstupné súbory

Po spracovaní nájdeš v output/ priečinku:

Súbor Popis
trajectory_overlay.png Trajektória na obrázku bludiska, farba = čas
trajectory_timeseries.png Priebehy X, Y a rýchlosti v čase
trajectory_xy.png Trajektória zhora (XY graf)
trajectory_data.csv Surové dáta: snímok, čas, pixel X, pixel Y
positions.npy Dáta v NumPy formáte pre ďalšie spracovanie
calibration.npz Kalibrácia kamery (ak bola spustená)
trail_video.mp4 Video so stopou z čiar (ak --trail-video bez --trail-dots)
trail_video_dots.mp4 Video so stopou z bodiek (ak --trail-video --trail-dots)


8. Riešenie problémov

Skript nenašiel šachovnicu

  • Skontroluj --board-size — počítaj vnútorné rohy, nie štvorčeky
  • Šachovnica je príliš malá — drž ju bližšie ku kamere
  • Skús rôzne rozmery: 9,6 potom 10,7 potom 8,5

Skript nenašiel marker

  • Marker musí mať dostatočný kontrast (biele centrum, čierny prstenec)
  • Pri slabom osvetlení zvýš jas pri nahrávaní
  • Ak je marker malý v obraze, skús znížiť min_area v zdrojovom kóde

Trajektória má výpadky

  • Robot bol zakrytý stenou — to je normálne
  • Pri šikmom pohľade sa marker v niektorých častiach detekuje horšie
  • Medzery sa dajú vyplniť interpoláciou v post-processingu

Trajektória má náhodné skoky

  • Falošné detekcie kruhových prvkov v scéne
  • Skús zvýšiť min_area alebo znížiť max_area v zdrojovom kóde
  • Pomôže aj mediánový filter na výstupné súradnice

GPU problémy

  • nvidia-smi nefunguje → nainštaluj NVIDIA driver: sudo apt install nvidia-driver-535
  • FFmpeg nemá cuda → preinštaluj FFmpeg alebo použi snap verziu
  • GPU dekódovanie padá → skús bez --gpu, CPU verzia je stabilnejšia

Import error cv2

# Alternatíva bez GUI závislostí:
pip install opencv-python-headless

Trail video je príliš veľké

  • Použi --every-n 2 alebo --every-n 3 na zníženie počtu spracovaných snímkov
  • FFmpeg re-encoding (automatický) by mal veľkosť výrazne znížiť
  • Pre menšie rozlíšenie výstupu uprav zdrojový kód (pridaj resize pred zápisom)
Zdroj: „https://senzor.robotika.sk/sensorwiki/index.php?title=WhyCon&oldid=18769“