SLAM之相机选型

2023-05-16

本文对ZED、小觅、intel RealSense三种相机进行调研比对,主要在型号、同步精度、适用场景、优缺点、工作原理、和ros及SLAM的融合等方面展开调研。

一、小觅相机

小觅标准版:999~1699元
支持操作系统:Windows、Linux、ROS、TX1/2、Mac
开源项目支持:ORB_SLAM2、OKVIS、VINS、VIORB
S1030-IR-120/Mono: 1699元
S1030-120/Mono:
S2100-146/Color:

小觅深度版: 2999元
视觉+结构光+惯导融合;无需上位机;可选镜头(120°/50°);深度计算芯片;(可在设备端完成双目深度计算,无需依赖终端的GPU/CPU,本身便可直接输出双目深度图像);六轴IMU(与图像同步精度高达0.05ms);双目帧同步;彩色;全局快门(可实现两颗摄像头的所有像元同时曝光,降低高速移动拍摄时的图像畸变;卷帘快门效果差);720p/60fps高清输出
支持操作系统:Windows、Linux、ROS、Android、TX1/2;只支持64位处理器
开源项目支持:ORB_SLAM2、OKVIS、VINS

D1000-IR-120/Color: 适用于视觉SLAM研究,针对室内场景优化;IR主动(结构)光探测器(增加白墙和无纹理物体识别精度;可在黑暗环境使用);120°广角镜头,0.275~8米识别距离,厘米级识别精度
D1000-50/Color: 更适用于双目测量研究,针对室外场景优化;内置IR-CUT滤光片;50°镜头,0.520~15米识别距离,毫米级别识别精度
双目方案:
在这里插入图片描述

二、ZED相机

:2880元

ZED mini:可以作为Rift 和VIVE 的增幅设备,为头显提供实时的拍摄视频传输,深度感知和环境映射,让VR头显转变为AR头显。
增加IMU;有延迟
六轴姿态精度:+/-1mm,方向0.1°,频率100hz

ZED:
Windows、Linux、ROS
实时基于深度的视觉测距和SLAM
其与主动的kinect等流行的深度图像原理不同,该深度相机的深度计算是通过双目原理得到的,其计算是发生在计算机上的GPU与CPU,而并非在该传感器本身,该传感器本身只是能够同步获取双目图像,之后在计算机上通过其对应的SDK进行深度计算。
其主要优势在于其高分辨率,可以达到15f/s的4416X1242的像素图像的深度图像生成; 检测距离0.07~20m,深度数据格式32位,立体声基线120mm。
在这里插入图片描述
特点:
高分辨率和高帧率3D视频捕捉
深度感知室内和室外可达20米
6-DoF位置跟踪
空间映射

三、intel RealSense体感摄像头:

1000元 Windows8.1 开源资料少
SR300 面向近距离交互的英特尔® 实感™ 3D 前置摄像头:0.2 米 - 1.5 米,仅限室内
R200 面向远距离交互的英特尔® 实感™ 3D 后置摄像头: 室内多至3-4 米,室外距离更远
ZR300 面向远距离交互的英特尔® 实感™ 3D 后置摄像头
室外使用及物体跟踪;ZR300整合了深度感知和高精度运动跟踪技术。配合英特尔实感Linux* SDK插件,该设备拥有实时视觉惯性测距技术,允许自主映射和导航。它还能够动态追踪物体和人,帮助人们在户外探险时拍摄到精彩的影像。ZR300非常适合自主机器人、无人机、虚拟和增强现实以及其他用途。

四、相机比较

在这里插入图片描述在这里插入图片描述


结论

两种相机在视觉SLAM的应用都很广泛,效果都很好。整体来说,做开发用ZED,做产品用小觅。
 【上述仅个人见解!

补充知识:

卷帘快门和全局快门:
Global shutter 曝光时间更短,但会增加RMS 读出噪点;
Rolling shutter可以达到更高的帧速,但当曝光不当或物体移动较快时,会出现部分曝光(partial exposure)、斜坡图形(skew)、晃动(wobble) 等现象。
曝光时间短的应用(如<500μs)适合Global shutter;曝光时间长(如大于500μs)时,选择rolling shutter可以有更低的噪声和帧速。

曝光 : 当光圈相同的情况下,快门速度快则曝光时间短,快门速度慢则曝光时间长
小孔成像: 假设一个黑乎乎的密闭房间,一面墙壁上开了个小圆窗户,窗对面的内壁上安上感光材料(白沥青,大型胶卷或CCD/CMOS)。这就是一台大型房式照相机。在没有打开小窗之前,房间里是黑乎乎的。 我们打开小窗,光线从小孔而入,射到对面墙壁的胶卷上,产生光化反应(或光电反应,如果是CCD/CMOS),照片就诞生了。此过程就叫做曝光。
要得正确曝光的图片,必须精确决定曝光量。所谓曝光量就是让多少光进入这个密闭房间里。如果进光量太大,照片就会白花花一片,晚上变成了白天。如果进光量太小,照片就会黑乎乎的,白人变成黑人。幸好我们有了光圈和快门两样工具可以一起来控制曝光量。曝光就是光圈和快门的组合。可以这样认为:光圈(值)大小其实就是那个小圆窗户开多大,快门(速度)就是窗户打开多久。假设窗户只打开1/4,时间为4秒钟可以正确曝光的话,很显然,窗户打开一半,时间2秒钟也能让底片正确曝光,因为1/44=1/22=1,进光量都是一样多。同样的,如果窗户全开,曝光时间就只需要1秒了。 假若一个镜头光圈全开为F4,用摄影行话来说,光圈F4快门速度1秒为正确曝光值,那F5.6和2秒以及F8和4秒也同样能得到准确曝光的图片。

结论: 一张正确曝光的图片可以有N种不同的光圈和快门速度组合。总结以上几个名词解释,有三个因素能影响一张图片是否正确曝光:光圈,快门速度,ISO。其中光圈和速度联合决定进光量,ISO决定CCD/CMOS的感光速度。如果进光量不够,我们可以开大光圈或者降低快门速度,还是不够的话就提高ISO。大光圈的缺点是解像度不如中等光圈,快门速度降低则图片可能会糊,提高ISO后图片质量也会下降 。没有完美的方案,如何取舍要灵活决定。

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

SLAM之相机选型 的相关文章

  • SLAM笔记(四)运动恢复结构的几何数学(本征矩阵、单应矩阵、基础矩阵)

    1 间接法进行运动恢复的前提假设 对于结构与运动或视觉三维重建中 通常假设已经通过特征匹配等方法获取了匹配好的点对 先求出匹配点对再获取结构和运动信息的方法称作间接法 间接法最重要的三个假设是 1 拥有一系列两帧之间的匹配点对 但同时假设匹
  • 从0.3开始搭建LeGO-LOAM+VLP雷达+小车实时建图(保姆级教程,小白踩坑日记)

    背景 SLAM小白 因为项目需要花了两天时间编译代码 连接雷达实现了交互 踩了很多坑 简单记录一下 让后面感兴趣的朋友少走点弯路 肯定有很多不专业的 错误的地方 还请大家不吝赐教 噗通 也可以见知乎 https zhuanlan zhihu
  • 【SLAM】卡尔曼滤波(Kalman Filter)

    卡尔曼滤波 Kalman filter 一种利用线性系统状态方程 通过系统输入输出观测数据 对系统状态进行最优估计的算法 由于观测数据中包括系统中的噪声和干扰的影响 所以最优估计也可看作是滤波过程 卡尔曼滤波器的原理解释如下 首先 我们先要
  • 使用EKF融合odometry及imu数据

    整理资料发现早前学习robot pose ekf的笔记 大抵是一些原理基础的东西加一些自己的理解 可能有不太正确的地方 当时做工程遇到的情况为机器人在一些如光滑的地面上打滑的情形 期望使用EKF利用imu对odom数据进行校正 就结果来看
  • 经典坐标变换案例代码剖析

    题目 设有小萝卜一号和小萝卜二号位于世界坐标系中 记世界坐标系为W 小萝卜们的坐标系为R1和 R2 小萝卜一号的位姿为q2 0 35 0 2 0 3 0 1 T t1 0 3 0 1 0 1 T 小萝卜二号的位姿为q2 0 5 0 4 0
  • 视觉SLAM漫谈(二):图优化理论与g2o的使用

    视觉SLAM漫谈 二 图优化理论与g2o的使用 1 前言以及回顾 各位朋友 自从上一篇 视觉SLAM漫谈 写成以来已经有一段时间了 我收到几位热心读者的邮件 有的希望我介绍一下当前视觉SLAM程序的实用程度 更多的人希望了解一下前文提到的g
  • 单目视觉里程记代码

    在Github上发现了一个简单的单目vo 有接近500星 链接如下 https github com avisingh599 mono vo 这个单目里程计主要依靠opencv实现 提取fast角点并进行光流跟踪 然后求取本质矩阵并恢复两帧
  • 【SLAM】libQGLViewer:VS 2019 + Qt 5.14.2 + Win 10 配置

    libQGLViewer 2 7 2 VS 2019 Qt 5 14 2 Win 10 配置 注意 这次配置没有完全成功 编译25个成功 一个失败 失败的是 qglviewerplugin qglviewerplugin 是一个可选控件 不
  • 视觉SLAM技术及其应用(章国锋--复杂环境下的鲁棒SfM与SLAM)

    SLAM 同时定位与地图构建 机器人和计算机视觉领域的基本问题 在未知环境中定位自身方位并同时构建环境三维地图 应用广泛 增强现实 虚拟现实 机器人 无人驾驶 SLAM常用的传感器 红外传感器 较近距离感应 常用与扫地机器人 激光雷达 单线
  • PnP 问题

    欢迎访问我的博客首页 PnP 问题 1 DLT 2 P3P 3 G2O 求解 PnP 3 1 单目 3 2 双目 4 自定义顶点与边优化内参 4 1 二元边 4 2 三元边 4 3 总结 5 参考 PnP Perspective n Poi
  • Lego-LOAM IMU坐标系变换的详细记录

    Lego LOAM IMU坐标系变换的详细记录 0 基础知识 1 IMU 重力加速度消除 2 相机坐标系 camera 到初始坐标系 camera init 的转换 最近看了Lego LOAM 的IMU部分 没看懂IMU的坐标系变换 看其它
  • SLAM-hector_slam 简介与使用

    hector slam功能包使用高斯牛顿方法 不需要里程计数据 只根据激光信息便可构建地图 所以他的总体框架如下 hector slam功能包 hector slam的核心节点是hector mapping 它订阅 scan 话题以获取SL
  • 高斯牛顿法求非线性最小二乘的步骤和c++代码实现

    slam图优化的本质是一个非线性优化问题 Gauss Newton求解步骤 1 线性化误差函数 2 构建线性系统 3 求解线性系统 4 更新解 并不断迭代直至收敛 一个简单的代码实现 一维参数xy 高维变为对应的矩阵即可 include
  • ORB-SLAM2:基于可识别特征的自主导航与地图构建

    目录 ORB SLAM2 基于可识别特征的自主导航与地图构建 简介 地图 A 地图特征点或3D ORB B 关键帧 C 可视化图像 位置识别 A 图像识别数据库 B 高效优化的ORB匹配 C 视觉一致性 自主导航追踪 A ORB特征获取 B
  • docker dbus-x11

    本来想用terminator启动nvidia docker 显示出图形界面的 结果发现启动的时候出问题了 terminator 1 dbind WARNING 07 31 53 725 Couldn t connect to accessi
  • 快看!那个学vSLAM的上吊了! —— (一)综述

    不同于之前发布的文章 我将使用一种全新的方式 iPad Notability Blog的方式打开这个板块的大门 原因有两个 1 Notability更方便手写长公式 也方便手绘坐标系变换等等 2 之前Apple Pencil找不到了新破费买
  • 无人车

    1 无人车四大核心技术 自动驾驶实际包含三个问题 一是我在哪 二是我要去哪 三是如何去 第一个问题是环境感知和精确定位 无人车需要的是厘米级定位 厘米级定位是无人驾驶的难点之一 不光是车辆本身的语义级定位 还有一个绝对坐标定位 第二个问题是
  • Ubuntu18.04安装pcl(过程/坑记录式教程)

    Ubuntu18 04安装pcl 1 下载pcl 2 安装依赖项 3 编译 4 安装 5 网上教程说要安装QT5和VTK 但按照本文的 本文记录了安装时出现的问题 出错的安装命令也记录了 建议浏览一遍再参考 不要错用了错误的指令 1 下载p
  • Eigen几何模块的使用方法

    include
  • Ubuntu18.04安装Autoware1.15(解决Openplanner无法绕障的问题:Openplanner2.5)

    文章目录 一 下载Autoware1 15源码 二 安装依赖 三 修改CUDA版本 四 编译以及报错解决 编译 1 报 undefined reference to cv Mat Mat 的错就按照下面方式改相应包 2 遇到OpenCV的C

随机推荐

  • 算法改进5:开源算法Open VINS试用

    1 Open VINS简介 Open VINS是Huang Guoquan老师团队在2019年8月份开源的一套基于MSCKF的VINS算法 xff0c 黄老师曾是Tango项目的核心成员 xff0c 在MSCKF这块非常的权威 Github
  • MSCKF 公式推导

    看完这篇博客建议再看 xff1a http www xinliang zhong vip msckf notes 目录 一 简介 二 符号说明 三 状态向量 3 1 真实状态向量 true state 3 2 误差状态向量 error st
  • MSCKF 源码解析 一

    论文 xff1a https arxiv org abs 1712 00036 源码路径 https github com daniilidis group msckf mono 源码框架 上图展示了整个msckf源码框架 xff0c 每当
  • C++中 仿函数简单介绍

    仿函数 xff0c 顾名思义 xff0c 就是 仿造函数 的意思 xff0c 它并不是函数 xff0c 但是却有着类似于函数的行为 那么 xff0c 它到底是什么 xff1f 首先要说的是 xff1a 仿函数是泛型编程强大威力和纯粹抽象概念
  • GNSS/INS组合导航(八):INS/GPS组合导航

    INS GPS组合导航 对比INS与GPS导航方法 xff0c 二者都有其各自的优缺点 惯性导航系统INS是一种全自主的导航系统 xff0c 可以输出超过200Hz的高频信号 xff0c 并且具有较高的短期测量精度 除了提供位置与速度之外还
  • Word 中利用“多级列表“功能实现章节标题自动编号

    一 打开 多级列表 打开Word文档 xff0c 在 开始 选择多级列表 点击定义新的多级列表 xff1b 点击之后 xff0c 便可以得到下面的界面 xff1a 二 设置固定格式的 多级标题 假设我们需要下面的标题格式 xff0c 我们需
  • 端口映射怎么设置

    路由器端口映射的作用就是让互联网上的用户可以访问内网中的服务器 xff0c 内网的一台电脑要上因特网对外开放服务或接收数据 xff0c 都需要端口映射 端口映射分为动态和静态 动态端口映射 xff1a 内网中的一台电脑要访问某网站 xff0
  • 解决Word中出现的多级列表编号不显示的问题

    解决办法一 常见的办法是 xff1a 光标置于标题前方 xff0c 按 ctrl 43 xff0c 编号消失位置出现一小条灰色 xff0c 再按ctrl 43 shift 43 S 重新应用样式 确定 即可找回编号 注意 xff1a 但下次
  • GPS从入门到放弃(二十五)、卡尔曼滤波

    一 概述 单点定位的结果因为是单独一个点一个点进行的 xff0c 所以连续起来看数据可能出现上串下跳的情况 xff0c 事实上并不符合实际情况 为了解决这个问题 xff0c 考虑到物体运动的连续性和运动变化的缓慢性 xff0c 可以通过滤波
  • RealSenseD435i (一):Ubuntu18.04 下的安装、使用和bag录制 ,且解决 undefined symbol 问题(最简单的方法)

    注意 realsense ros 要和 librealsense 版本匹配 realsense ros 2 2 11 对应的 Realsense SDK 为 librealsense 2 31 0 否则后面会出现让人崩溃的问题 其中 nbs
  • ( C# + vs2017 )串口助手 零基础详细教程(二)

    感谢 xff1a 串口助手 简洁版 上位机软件零基础教程 xff08 C 43 visual studio2017 xff09 xff08 二 xff09 SWPU 机器人实验室 CSDN博客 在上篇博客中 xff0c 我们完成了串口助手
  • RTK定位技术原理

    RTK即载波相位差分技术 xff0c rtk定位能够实时地提供测站点在指定坐标系中的三维定位结果 xff0c 并达到厘米级精度 普通GPS的定位精度大于1米 xff0c 信号误差有50 的概率会达到2米以上 另外 xff0c GPS无法支持
  • Endnote的插件被禁止,始终加载不了 - 终极解决办法

    1 用管理员 的身份运行word xff1a 找到word 右键 以管理员的身份运行 2 打开一个word 文件 选项 加载项 转到 选择endnote cite while you write 点击删除 xff08 删除前记住你的endn
  • 高斯白噪声(white Gaussian noise,WGN)

    本文科普一下高斯白噪声 xff08 white Gaussian noise xff0c WGN xff09 百度百科上解释为 高斯白噪声 xff0c 幅度分布服从高斯分布 xff0c 功率谱密度服从均匀分布 xff0c 听起来有些晦涩难懂
  • 【3】IMU模块:PA-IMU-460 ROS驱动 + 与GNSS时间同步

    一 模块介绍 惯性测量单元 IMU 产品展示 西安精准测控有限责任公司 说明 这是一款国产的IMU模块 之所以选择这个是因为同等精度的产品价格8500元 这个只要2500元 缺点是 担心国产的模块性能不好 参数需要自己标定 二 程序运行 c
  • python(Opencv)的特征点提取和画线匹配 - 代码

    本博客属于赋值内容 xff0c 原文请看以下连接 xff08 亲测有用 xff09 xff1a OpenCV Python 29 OpenCV的特征检测 特征匹配 opencv 特征匹配 python 机器视觉小学徒的博客 CSDN博客 一
  • python画误差图(脉冲、渐变、矩形突变、常值、随机游走,白噪声)

    一 示例图 类型 形状 来源 脉冲误差 xff08 Pulse error xff09 阶跃误差 xff08 Step error xff09 渐变误差 xff08 Slow Growing Error xff09 常值偏差 xff08 C
  • 编译ego_planner报错Could not find a package configuration file provided by “quadrotor_msgs“

    这个问题我搞了很久 xff0c 搜了很多资料 xff0c 通常遇到Could not find a package configuration file provided by xxx xff0c 都是使用命令 sudo apt insta
  • Google Earth导入经纬高(txt文件)

    目录 一 提取GNSS数据生成txt文本文件 二 Google Earth导入txt文件 1 启动Google Earth nbsp 2 打开vig result txt
  • SLAM之相机选型

    本文对ZED 小觅 intel RealSense三种相机进行调研比对 xff0c 主要在型号 同步精度 适用场景 优缺点 工作原理 和ros及SLAM的融合等方面展开调研 一 小觅相机 小觅标准版 xff1a 999 1699元 支持操作