Sensado basado en visión para el control de un sistema de Barra y Bola

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Sensado basado en visión para el control de un sistema de Barra y Bola"

Aurora González Mendoza
hace 8 años
Vistas:

1 Sensado basado en visión para el control de un sistema de Barra y Bola Autor: Ezequiel Pecker Marcosig Tutor: Aníbal Zanini Universidad de Buenos Aires Facultad de Ingeniería Agosto 11, / 11

2 Introducción Descripción El sistema mecánico Barra y Bola es no lineal y extremadamente inestable. Para hacerlo estable se realimenta utilizando, en general, sensores que se montan sobre la guía y necesitan estar en contácto con la bolita. Objetivos Estabilizar el sistema usando un lazo de realimentación para controlar la posición de la bolita sobre la guía. Utilizar un sensado por medio de una cámara web y un algoritmo de detección sobre una imágen. Servo Base: Madera r Bola: Plastico 43mm diametro θ Barra: Aluminio 1 m largo 2/ 11

bolita. Objetivos Estabilizar el sistema usando un lazo de realimentación para controlar la posición de la bolita sobre la guía.

3 Lazos de Control En Laplace y en la vida real Sensor Adquisicion Control Planta Actuador 3/ 11

4 Lazos de Control En Laplace y en la vida real Sensor Adquisicion Control Planta Actuador Servo Motor Barra y Bola r d(s) e(s) C(s) θ d(s) C M(s) M(s) θ(s) G(s) r(s) r cam(s) H cam(s) 3/ 11

5 Lazos de Control En Laplace y en la vida real Sensor Adquisicion Control Planta Actuador Servo Motor Barra y Bola r d(s) e(s) C(s) θ d(s) C M(s) M(s) θ(s) G(s) r(s) r cam(s) H cam(s) 3/ 11

6 Lazos de Control En Laplace y en la vida real Sensor Adquisicion Control Planta Actuador Servo Motor Barra y Bola r d(s) e(s) C(s) θ d(s) C M(s) M(s) θ(s) G(s) r(s) r cam(s) H cam(s) 3/ 11

7 Lazos de Control En Laplace y en la vida real Sensor Adquisicion Control Planta Actuador Servo Motor Barra y Bola r d(s) e(s) C(s) θ d(s) C M(s) M(s) θ(s) G(s) r(s) r cam(s) H cam(s) 3/ 11

8 Diagrama de Flujo 2 flujos en paralelo INICIO Calibracion de Camara Deteccion de Marcas Calculo Rotac. y Traslaciones Inicializacion Servo Declaracion de thread adquisic. Ts? Si No No Lectura variab. comunes t(k)=t(k-1)? Si Observador de Posicion Calculo de Error Controlador PD Envio de u(k) al Actuador Terminar? No THREAD ADQUISICION Adquisicion imagen Determinacion inicial de r Determinacion final de r Escritura var. comunes quit = 1? FIN Si No Si quit = 1 FIN 4/ 11

Si Observador de Posicion Calculo de Error Controlador PD Envio de u(k) al Actuador Terminar?

9 Cámara e Imagenes Una imagen en B/N es una matriz de puntos. Plano Imagen (0,0) u x f = X Z f 0 Eje Optico X Z 5/ 11

10 Cámara e Imagenes Una imagen en B/N es una matriz de puntos. x Plano Imagen y 0 u X x f = X Z 5/ 11

11 Cámara e Imagenes Una imagen en B/N es una matriz de puntos. x Plano Imagen y 0 u X x f = X Z v Z X u Y t R z x (u 0,v 0 ) y u = x k x + c x = X Z v = y k y + c y = Y Z ( f kx ) + c x ( f k y ) + c y 5/ 11

12 Calibración Modelo de Cámara de pin-hole La calibración da un modelo de la geometría de la cámara y un modelo de la distorsión de la lente. Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c y, k1, k2, k3, p1, p2). Se llaman así porque son propios de la cámara y no cambian entre imagenes. 6/ 11

Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c

13 Calibración Modelo de Cámara de pin-hole La calibración da un modelo de la geometría de la cámara y un modelo de la distorsión de la lente. Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c y, k1, k2, k3, p1, p2). Se llaman así porque son propios de la cámara y no cambian entre imagenes. Método de calibración 2D de Zhang 6/ 11

Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c y, k1, k2,

14 Calibración Modelo de Cámara de pin-hole La calibración da un modelo de la geometría de la cámara y un modelo de la distorsión de la lente. Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c y, k1, k2, k3, p1, p2). Se llaman así porque son propios de la cámara y no cambian entre imagenes. Método de calibración 2D de Zhang Z u Y v X t R z x (u 0,v 0 ) y 6/ 11

Estos dos determinan los parámetros intrínsecos de la cámara (f x, f y, c x, c y, k1, k2, k3,

15 Detección Algunos detectores Detección de borde Sobel Laplaciano Canny Momentos Pattern Matching Transformada de Hough Background/Forward Substraction 7/ 11

16 Parámetros Extrínsecos Relación entre ternas v u x Terna Imagen (uv) y t1+r.t2 Zg z Zg Zg" Z Xg θ Yg Yg Yg" Xg Xg" Y X 8/ 11

17 Parámetros Extrínsecos Relación entre ternas y v u x Terna Imagen (uv) Terna Cámara (xyz) t1+r.t2 Zg Zg z Zg" Z Xg θ Yg Yg Yg" Xg Xg" Y X 8/ 11

18 Parámetros Extrínsecos Relación entre ternas R y u v t1+r.t2 Zg z Zg Zg" x Terna Imagen (uv) Terna Cámara (xyz) Terna Mundo (XYZ) Z t1 θ Yg Yg Yg" Xg Xg Xg" Y X 8/ 11

19 Parámetros Extrínsecos Relación entre ternas R Z Xg u v y t1+r.t2 Zg z Zg Zg" t1 θ t2 Yg Yg Yg" Xg Xg" Y x Terna Imagen (uv) Terna Cámara (xyz) Terna Mundo (XYZ) Terna Intermedia (XgYgZg) X 8/ 11

20 Parámetros Extrínsecos Relación entre ternas R Z Xg u v y t1+r.t2 Zg z Zg Zg" t1 ϕ t2 Yg Yg Yg" Xg Xg" Y x Terna Imagen (uv) Terna Cámara (xyz) Terna Mundo (XYZ) Terna Intermedia (XgYgZg) Terna Guía (Xg Yg Zg ) X 8/ 11

21 Parámetros Extrínsecos Relación entre ternas R Z Xg u v y t1+r.t2 Zg z Zg Zg" t1 ϕθ t2 Yg Yg Yg" Xg Xg" Y x Terna Imagen (uv) Terna Cámara (xyz) Terna Mundo (XYZ) Terna Intermedia (XgYgZg) Terna Guía (Xg Yg Zg ) Terna Guía Rotada (Xg Yg Zg ) X 8/ 11

22 Pasos Recopilación de información 9/ 11

23 Pasos Recopilación de información Contrucción de la planta 9/ 11

24 Pasos Recopilación de información Contrucción de la planta Contrucción del modelo matemático de la planta 9/ 11

25 Pasos Recopilación de información Contrucción de la planta Contrucción del modelo matemático de la planta Validación del modelo por simulación 9/ 11

26 Pasos Recopilación de información Contrucción de la planta Contrucción del modelo matemático de la planta Validación del modelo por simulación Diseño y validación del sensor 9/ 11

27 Pasos Recopilación de información Contrucción de la planta Contrucción del modelo matemático de la planta Validación del modelo por simulación Diseño y validación del sensor Selección y diseño de un controlador 9/ 11

28 Pasos Recopilación de información Contrucción de la planta Contrucción del modelo matemático de la planta Validación del modelo por simulación Diseño y validación del sensor Selección y diseño de un controlador Cerrado del lazo 9/ 11

29 La criatura Fatto in casa!! 10/ 11

Documentos relacionados

Segmentación Basada en Bordes

Segmentación Basada en Bordes Detección de Puntos: Para detectar puntos en una imagen podemos usar una máscara como esta: -1-1 -1-1 8-1 -1-1 -1 Usarlo en Matlab sería muy sencillo: >> w = [-1-1 -1; -1