Journal des modifications logicielles 2021 - 2023
2023.6 (18/04/23)
Calibration ChArUco facile et visualisateurs de calibration
- La calibration ChArUco est considérée comme meilleure que la calibration en damier car elle gère les occlusions, les mauvaises détections de coins, et ne nécessite pas que toute la planche soit visible. Cela facilite grandement la capture des coins de la planche de calibration près des bords et des angles de vos images. C'est crucial pour l'estimation des coefficients de distorsion.
- Le processus de calibration de Limelight fournit des retours à chaque étape et s'assure que vous faites tout ce qui est nécessaire pour obtenir de bons résultats de calibration. Beaucoup d'efforts ont été déployés pour rendre ce processus aussi fiable que possible.
- Plus important encore, vous pouvez visualiser vos résultats de calibration juste à côté de la calibration par défaut. D'un coup d'œil, vous pouvez comprendre si votre résultat de calibration est raisonnable ou non.
- Vous pouvez également utiliser le tableau de bord de calibration comme outil d'apprentissage. Vous pouvez modifier les fichiers de résultats de calibration téléchargés et les téléverser à nouveau pour apprendre comment la matrice intrinsèque et les coefficients de distorsion affectent les résultats de ciblage, le champ de vision, etc.
- Regardez cette vidéo :
2023.5.1 & 2023.5.2 (22/03/23)
-
Correction d'une régression introduite dans la version 2023.5.0 - Bien que la version 2023.5 ait corrigé megatag pour toutes les dispositions non planaires, elle a réduit les performances des estimations de pose à tag unique. Cela a été corrigé. Les estimations de pose à tag unique utilisent exactement le même solveur que dans la version 2023.4.
-
Interface de capture instantanée plus réactive. La grille de captures charge maintenant des miniatures basse résolution de 128p.
-
Le lacet (Yaw) de Limelight est maintenant correctement présenté dans les visualiseurs 3D. Il est positif dans le sens antihoraire dans le visualiseur et en interne.
-
Indication des cibles actuellement suivies dans le visualiseur d'espace de terrain.
2023.5.0 (21/03/23)
Changements majeurs
- Correction d'une régression - Le "Yaw" (lacet) de Limelight dans l'espace robot était inversé dans les versions précédentes. Le lacet de Limelight dans l'interface web est maintenant positif dans le sens antihoraire en interne.
Mise à jour de la sélection de région
- La sélection de région fonctionne maintenant comme prévu dans les pipelines de détection neuronale.
- Ajout de 5 nouvelles options de région pour sélectionner le centre, le haut, la gauche, la droite, le haut ou le bas du rectangle cible non pivoté.
API REST "hwreport"
- :5807/hwreport renverra une réponse JSON détaillant les informations sur les intrinsèques de la caméra et la distorsion.
Correction MegaTag
- Certaines dispositions d'AprilTag non coplanaires étaient défectueuses dans MegaTag. Cela a été corrigé, et l'estimation de pose est maintenant stable avec tous les tags de terrain. Cela permet une estimation de pose stable à des distances encore plus grandes qu'auparavant.
Plus grande précision tx et ty
- TX et TY sont plus précis que jamais. Les cibles sont complètement non déformées, et le champ de vision est déterminé entièrement par les intrinsèques de la caméra.
2023.4.0 (18/02/23)
Filtre de classe pour détecteur neuronal
Spécifiez les classes que vous souhaitez suivre pour un filtrage facile des détections indésirables.
Support étendu du détecteur neuronal
Prise en charge de n'importe quelle résolution d'entrée, prise en charge de formes de sortie supplémentaires pour supporter d'autres architectures de détection d'objets. Les modèles basés sur EfficientDet0 sont désormais pris en charge.
2023.3.1 (14/02/23)
Améliorations de la précision des AprilTag
Amélioration de la matrice intrinsèque et, plus important encore, amélioration des coefficients de distorsion pour tous les modèles. Améliorations notables de la localisation des AprilTag uniques.
Téléversement de détecteur
Téléversement de détecteur corrigé.
2023.3 (13/02/23)
Latence de capture (Clé NT : "cl", Résultats JSON : "cl")
La nouvelle entrée de latence de capture représente le temps entre la fin de l'exposition de la ligne médiane du capteur d'image de Limelight et le début du pipeline de traitement.
Nouveau seuil de qualité pour les AprilTags
Les AprilTags parasites sont maintenant plus facilement filtrés avec le nouveau curseur de seuil de qualité. La valeur par défaut définie dans 2023.3 devrait éliminer la plupart des détections parasites.
Remplacement de la pose de caméra dans l'espace robot (Clés NT : "camerapose_robotspace_set", "camerapose_robotspace")
La position de votre Limelight dans l'espace robot peut désormais être ajustée à la volée. Si la clé est définie sur un tableau de zéros, la pose définie dans l'interface web est utilisée.
Voici un exemple d'un Limelight sur un élévateur :
Augmentation de l'exposition maximale
Le temps d'exposition maximal est maintenant de 33 ms (contre 12,5 ms auparavant). Les modes de capture à haute fréquence d'images sont toujours limités à (1/fps) secondes. Les pipelines à 90 Hz, par exemple, n'auront pas d'images plus lumineuses au-delà de 11 ms de temps d'exposition.
Mises à jour de Botpose
Les trois tableaux botpose dans les tables réseau ont une septième entrée représentant la latence totale (latence de capture + latence de ciblage).
Corrections de bugs
- Correction des flux MJPEG LL3 dans shuffleboard
- Correction du camMode - le mode pilote produit maintenant des images lumineuses et utilisables.
- L'étiquette d'exposition a été corrigée - chaque "coche" représente 0,01 ms et non 0,1 ms
- Correction du téléversement du détecteur de réseau neuronal
2023.2 (28/01/23)
Rendre la 3D plus facile que jamais.
Botposes compatibles avec WPILib
Botpose est maintenant encore plus facile à utiliser dès la sortie de la boîte.
Celles-ci correspondent aux systèmes de coordonnées WPILib.
Toutes les botposes sont affichées directement dans le visualiseur d'espace de terrain dans l'interface web, ce qui permet de confirmer d'un coup d'œil que tout fonctionne correctement.
Accès plus facile aux données 3D (Changements majeurs)
La pose du robot dans l'espace cible est sans doute la donnée la plus utile provenant de Limelight concernant les AprilTags. En utilisant uniquement cela, vous pouvez parfaitement aligner un système d'entraînement avec un AprilTag sur le terrain.
- La clé NetworkTables "campose" est maintenant "camerapose_targetspace"
- La clé NetworkTables "targetpose" est maintenant "targetpose_cameraspace"
- Nouvelle clé NetworkTables - "targetpose_robotspace"
- Nouvelle clé NetworkTables - "botpose_targetspace"
Téléversement de réseau neuronal
Téléversez des modèles Teachable Machine vers le pipeline de classification Limelight. Assurez-vous qu'ils sont des modèles compatibles Tensorflow Lite EdgeTPU. Téléversez séparément les fichiers .tflite et les fichiers d'étiquettes .txt.
2023.1 (19/01/23)
MegaTag et améliorations de performance
Correction d'une erreur
Le paramètre de taille de marqueur par défaut dans l'interface utilisateur a été corrigé à 152,4 mm (au lieu de 203,2 mm). C'était la cause principale de la plupart des problèmes de précision.
Stabilité de suivi améliorée
Il existe plusieurs façons d'ajuster la détection et le décodage des AprilTags. Nous avons amélioré la stabilité dans l'ensemble, particulièrement dans les environnements à faible luminosité / faible exposition.
Conversion en niveaux de gris ultra rapide
La conversion en niveaux de gris est 3 à 6 fois plus rapide qu'avant. Les équipes verront toujours un flux vidéo en gris lors du suivi des AprilTags.
Recadrage pour la performance
Les pipelines AprilTag disposent maintenant de curseurs de recadrage. Recadrer votre image permettra d'améliorer la fréquence d'images à n'importe quelle résolution.