Comment détecter une mauvaise calibration entre deux capteurs d’un robot ?
On repère une mauvaise calibration en comparant ce que deux capteurs voient du même repère, puis en recherchant un écart stable qui ne vient ni du mouvement ni du bruit.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
88 résultats
On repère une mauvaise calibration en comparant ce que deux capteurs voient du même repère, puis en recherchant un écart stable qui ne vient ni du mouvement ni du bruit.
Des capteurs à fréquences différentes se synchronisent en horodatant chaque mesure, en interpolant seulement quand c’est justifié et en rejetant les données trop anciennes pour l’action.
La classification répond à « quelle catégorie est présente ? », tandis que la détection répond aussi à « où se trouve chaque objet ? ». Un robot qui doit saisir a généralement besoin…
Pour reconnaître un objet partiellement masqué, le robot combine les parties visibles, le contexte et parfois plusieurs vues, tout en gardant une confiance réduite si le contour reste incertain.
Préparer des annotations d’objets consiste à définir les classes, les contours ou boîtes, les cas difficiles et une règle commune, puis à contrôler la cohérence avant l’entraînement.
Un robot signale un objet inconnu quand l’image ne ressemble pas suffisamment aux classes apprises ou quand plusieurs interprétations restent possibles ; il décrit alors l’incertitude et demande une action adaptée.
Évaluer le gain réel d’une fusion multi-capteurs demande de comparer la décision fusionnée à chaque capteur seul, sur les mêmes scènes et avec le coût de calcul et de maintenance.
Un filtre de Kalman convient souvent à un état continu avec bruit proche d’un modèle gaussien ; une méthode particulaire représente mieux plusieurs hypothèses ou des distributions irrégulières.
Calibrer une incertitude probabiliste compare les probabilités annoncées aux fréquences observées sur des cas connus, puis ajuste le modèle sans toucher au test final.
Une fusion probabiliste demande une nouvelle observation lorsque l’incertitude restante peut changer la décision et que l’information supplémentaire coûte moins cher que l’erreur.
La résolution d’un nuage de points se choisit selon la taille du détail à voir, la distance, le temps de calcul et la précision nécessaire à la tâche.
Aligner deux nuages de points pris depuis des positions différentes demande de trouver des repères communs, d’estimer la transformation et de contrôler l’erreur résiduelle.
Une question plus précise ?