调整realsense相机以获得最佳性能

本文详细介绍了如何调整Intel RealSense D435深度相机以获得最佳性能,包括选择合适的深度分辨率、确保正确曝光、定期验证性能、使用深度预设、利用多个相机、后处理技术以及应对各种环境挑战。内容涵盖从基础设置到高级技巧,旨在帮助用户最大化相机的深度测距能力和精度。

调整深度相机以获得最佳性能

从相机的最佳深度分辨率开始操作

  • Intel RealSense D435: 848x480

可以使用较低的分辨率,但会降低深度精度。 立体深度传感器的深度测距性能来自于匹配左图像和右图像中对象位置的能力。 输入分辨率越高,输入图像越好,深度精度越高。

如果出于计算原因应用程序需要较低的分辨率,我们建议使用后处理算法在接收到数据后立即对较高分辨率的深度图和彩色图像进行子采样(抽取)。 将D4xx摄像机设置为较低分辨率模式的唯一令人信服的原因是:

  • 减小最小工作范围,这将随x-y分辨率而变化

  • 减少USB3.0总线上的带宽,例如,如果已达到带宽限制,则允许更多摄像机同时运行。

确保图像正确曝光

检查自动曝光效果是否良好,或切换到手动曝光以确保彩色或黑白左右图像良好。 接触不良是造成不良性能的主要原因之一。

Example: Good Example: Bad (under exposed)

通常,我们建议先调整曝光以获取最佳效果,同时保持GAIN = 16(最低设置)。 增益的增加趋向于引入电子噪声,并且尽管彩色图像可能看起来更好,但是深度质量将下降。 曝光单位是微秒,因此33000是33ms。 请注意,过度曝光的图像可能与曝光不足的图像一样糟糕,因此请小心找到正确的曝光。

这是使用自动曝光功能时要考虑的两个其他选项。 启用“自动曝光”后,它将对预定义的兴趣区域(ROI)内所有像素的强度求平均,并将尝试将此值保持在预定义的设定点。 ROI和设定点均可在软件中设置。 在英特尔实感查看器中,可以在高级控件/ AE控件下找到设定值。

undefined

ROI也可以在Intel RealSense Viewer中设置,但是只有在流媒体打开后才会显示。 (确保右上开关处于打开状态)。 然后,您将能够在图像上拖动ROI。 当然,在英特尔实感SDK 2.0中也存在相应的软件控件调用。

undefined

注意:RGB ROI需要单独设置,如下所示。 虽然这不会影响深度质量,但会影响彩色图像质量。

img

定期在平坦的墙壁或目标上验证性能

1.在白墙上测试:打开投影仪(红外)并调节激光功率。 我们建议使用标称值150mW,但请向上或向下调整以获得更好的效果。 例如,如果看到局部激光点饱和,请降低激光功率; 如果深度稀疏,请尝试增加激光功率。

2.在带纹理的墙壁上测试:这是验证性能的最佳方法。 使用英特尔推荐的目标,如下所示。 这些可以在这里下载。 该图案可以投影到墙上或印刷并附着在平坦的刚性表面上。 关闭投影机。 指向墙壁并测量平面拟合的RMS误差。 英特尔实感深度质量工具将提供包括RMS误差在内的指标。 生成此特定图案以显示许多不同比例的纹理,因此应在相当大的距离范围内工作。 校准良好的相机应产生小于0.1的亚像素RMS误差。

3.重新校准如果平板目标测试显示性能下降,则可能需要重新校准相机。 例如,如果RMS误差超过中心ROI的〜0.2像素,则可能需要重新校准,尤其是在性能的其他方面(例如填充率或准确性)也下降的情况下。 可以从以下位置下载动态校准工具 https://dev.intelrealsense.com/docs/calibration,或者您可以使用Intel RealSense Viewer运行片上自我校准(更多详细信息,请访问https://www.intelrealsense.com/self-calibration-for-depth-cameras).

4.阅读深度质量白皮书:我们还创建了单独的白皮书,可在此处找到 https://dev.intelrealsense.com/docs/camera-depth-testing-methodology .

5.了解理论极限.使用以下公式了解RMS深度误差的理论限制。 请注意,通常您应该在纹理良好的目标上看到它。 RMS误差表示适合深度值的局部平面的深度噪声:

[外链图片转存失败,源站可能有防盗

内容概要:本文围绕间歇性光伏出力条件下48V直流母线电压的稳定控制与储能系统双向充放电的闭环调控体系展开深入研究,系统探讨了光伏阵列非线性输出特性与锂离子电池储能系统在离网直流微网中的能量均衡建模方法及分层控制策略。通过Simulink平台构建完整的光伏储能直流系统仿真模型,涵盖PV阵列、Boost DC-DC变换器、负载、双向DC-DC变换器及电池系统等关键组件,实现了最大功率点跟踪(MPPT)与储能系统的协同控制,有效应对光照波动引起的功率供需失衡问题。研究采用双PI闭环控制、模型预测控制(MPC)等多种先进控制算法,显著提升了系统的动态响应速度与直流母线电压稳定性,并实现了储能系统在削峰填谷中的优化运行,对于增强离网微网的供电可靠性与能源利用效率具有重要理论价值和工程意义。; 适合人群:具备电力电子、新能源系统或自动控制等相关领域基础知识的研究生、科研人员,以及从事微电网、光伏储能系统开发与设计的工程技术人员。; 使用场景及目标:① 构建适用于离网场景的光伏储能系统Simulink仿真模型;② 实现间歇性光照条件下48V直流母线电压的精确稳定控制与储能系统的双向能量管理;③ 研究MPPT控制与储能充放电策略之间的协同机制,提升系统在复杂工况下的运行稳定性与鲁棒性;④ 为微电网能量管理系统的设计、优化与性能验证提供可靠的理论依据和技术支撑。; 阅读建议:建议结合文中所述的Simulink仿真模型与控制算法,亲自动手实践建模与仿真全过程,重点关注MPPT控制策略的实现、双向DC-DC变换器的设计以及电压外环与电流内环构成的双闭环控制结构的参数整定,并通过设置不同的光照强度变化曲线和负载投切工况,全面测试和评估系统的动态响应能力与控制性能
内容概要:本文围绕面向离网直流微网的光伏储能一体化系统展开研究,重点在于系统的分层建模与最大功率点跟踪(MPPT)和储能双向充放电的协同控制机理。通过Simulink仿真平台构建包含光伏阵列、Boost升压电路、双向DC-DC变换器、锂离子电池及负载的整体系统模型,提出一种能够应对光照与温度扰动的多模块耦合建模方法和双级电力电子协同调控策略。研究聚焦于解决离网条件下光伏出力间歇性导致的功率供需失衡问题,通过MPPT实时捕获光伏最大功率,并结合储能系统的双向充放电能力实现“削峰填谷”,从而维持直流母线电压稳定。文中详细阐述了各控制环节的设计思路与实现方式,并通过仿真验证了所提分层控制策略在提升系统稳定性、能量利用效率和动态响应性能方面的有效性。; 适合人群:具备电力电子、新能源发电或自动化相关背景,熟悉Simulink/MATLAB仿真工具,从事微电网、光伏储能系统控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习离网直流微网中光伏与储能系统的集成建模方法;② 掌握MPPT与储能双向充放电协同控制的策略设计与仿真实现;③ 研究如何通过分层控制解决由环境扰动引起的微网功率不平衡和电压波动问题;④ 为相关课题的仿真验证和技术方案设计提供参考。; 阅读建议:在学习过程中,应结合Simulink模型,深入理解各子模块(如MPPT算法、双向DC-DC控制器、电池模型)的工作原理及其接口关系,重点关注控制策略的协同逻辑与参数整定,并通过修改仿真条件(如光照强度、负载变化)来观察系统动态响应,以加深对理论分析的理解。
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值