Robot Camera to Probe Offset Calibration Comparison

Abstract

Työn tarkoituksena oli vertailla kamera-työkalu etäisyyskalibrointien tarkkuutta ja antaa suosituksia eri käyttötarkoituksiin perustuen tarkkuuteen sekä muihin ominaisuuksiin, kuten nopeus ja hinta.

Kamera-työkalu etäisyyskalibrointi tarvitaan yhdistämään kameran kuva robotin työkaluun. Kun etäisyys tiedetään, voidaan kuvasta havaita objekti ja sitä voidaan käsitellä (esim. ikonia voidaan painaa) robotin työkalulla. CAD malleista saatu mittaus ei ole riittävä sovelluksissa, joissa vaaditaan hyvää tarkkuutta, johtuen muun muassa valmistustoleransseista, joten kalibrointi vaaditaan.

Tiedonkeruuta varten kalibrointiprosessi automatisoitiin täysin. Kalibroinnit ajettiin skriptien avulla useita kertoja ennalta määritellyistä alkuasennoista ja tulokset kerättiin myöhempää analyysia varten.

Analyysissä tulokset piirrettiin gaussisella ydinestimoinnilla, 99% luottamusvälillä ja lämpötilaan perustuvilla väreillä. Dual Camera ja Ball kalibrointien 99% luottamusväli oli alle ±10µm ja olivat täten tarkimpia. Tap kalibroinnin tarkkuutta rajoitti luultavasti kosketusnäytön resoluutio, ja tarkkuudeksi saatiin ainoastaan noin ±200µm.

Tulosten perusteella tehtiin parannusehdotuksia kalibrointien tarkkuuden tai toistettavuuden parantamiseksi. Erilaisiin käyttötarkoituksiin tehtiin suosituksia tarkkuuden, hinnan ja nopeuden perusteella.

The purpose of this thesis was to compare the accuracies of camera to probe offset calibrations and offer recommendations for different use cases based on accuracy and other characteristics, such as speed and cost.

Camera to probe offset is required to link the image produced by the camera to the robot tool. With the link in place, an object can be detected in the camera image and manipulated (e.g. icon can be tapped) with the robot tool. Using CAD drawings for the measurement is not accurate enough for high precision applications due to manufacturing tolerances, so a calibration is required.

Data collection was done by automating the calibration process completely. Scripts were used to run the calibration multiple times from pre-defined starting values, and the results of each calibration were saved for later analysis.

Results were analyzed using Gaussian Kernel Density Estimation plots with 99% confidence interval and color based on temperature measurements. Dual Camera and Ball offset calibrations were the most accurate at under ±10µm 99% confidence interval. Tap offset calibration was likely limited by the touch screen calibration, and only achieved approximately ±200µm accuracy.

Based on the results, some improvements were suggested to improve the calibration accuracy and/or repeatability. Recommendations for different needs were made, based on accuracy, cost and speed.