Управление и методы обработки информации при автоматизации извлечения объектов из контейнера с использованием PMD-технологии тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Мамаев, Ильшат Ринатович

• Мамаев, Ильшат Ринатович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Мамаев, Ильшат Ринатович

Введение.

Актуальность темы исследования.

Цель работы.

Задачи исследования.

Методика исследования.

Основные научные результаты, выносимые на защиту:.

Научная новизна результатов.

Практическая значимость и внедрение результатов.

Внедрение и связь исследования с научными программами.

Апробация работы и публикации.

Объем и структура работы.

Глава 1. Анализ задачи извлечения объектов из контейнера.

1.1 Задача автоматического извлечения объектов из контейнера.

1.2 Анализ и классификация известных подходов к решению задачи.

1.2.1 Одна камера.

1.2.2 Стерео камеры.

1.2.3 Лазерные дальномеры.

1.2.4 Обобщение возможностей известных подходов.

1.3 Цели и задачи диссертационной работы.

1.4 Выводы.

Глава 2. Разработка методов обработки информации.

2.1 Задачи обработки информации и реконструкции трехмерной сцены.

2.2 Задача обработки информации с РМБ-камеры.

2.2.1 Формализация задачи.

2.2.2 Разработка метода обработки данных РМБ-камеры.

2.3 Задача реконструкции ЗБ сцены с учетом особенностей.

2.3.1 Формализация задачи.

2.3.2 Известные методы.

2.3.3 Разработка метода реконструкции ЗБ сцены по данным с РМБ-камеры.

2.4 Выводы по главе.

Глава 3. Разработка модели, алгоритма управления, алгоритмического и програмного обеспечения.

3.1 Модель системы и задача управления.

3.2 Разработка алгоритмического обеспечения.

3.2.1 Алгоритм обработки данных РМБ-камеры.

3.2.2 Алгоритм реконструкции ЗБ сцены.

3.3 Разработка программного обеспечения.

3.3.1 Вводная часть.

3.3.2 Разработка архитектуры ПО для задачи извлечения объектов из контейнера.

3.3.3 Внешнее сетевое взаимодействие.

3.3.4 Модули разработанного ПО.

3.4 Выводы по главе.

Глава 4. Экспериментальный стенд и анализ эффективности.

4.1 Система извлечения объектов из контейнера.

4.1.1 Объекты.

4.1.2 Манипулятор.

4.1.3 Захват.

4.1.4 РМБ-камера.

4.1.5 Рабочая сцена и экспериментальный стенд.

4.2 Анализ эффективности.

4.2.1 Методика анализа эффективности и проведения эксперимента

4.2.2 Эффективность метода обработки информации PMD-камеры.

4.2.3 Эффективность метода реконструкции сцены.

4.2.4 Эффективность робототехнической системы по извлечению объектов из контейнера.

4.3 Направление дальнейших исследований.

4.4 Выводы к главе.

Введение диссертации (часть автореферата) на тему «Управление и методы обработки информации при автоматизации извлечения объектов из контейнера с использованием PMD-технологии»

Актуальность темы исследования

Одними-из основных задач промышленных роботов на сегодняшний день являются-операции сборки, захвата и* перемещения: объектов, причем, манипуляторы в. большинстве случаев: выполняют действия в условиях известной»формы, положения« и ориентации объектов.* Роботизированная система' без сенсорной подсистемы может быть использована только для-заранее запрограммированных и повторяющихся задач. В1 последние годы, в промышленности происходит сдвиг парадигмы в сторону создания более гибких производственных систем. Это обусловлено тем, что производственные линии, которые раньше работали годами, сейчас усовершенствуются и модифицируются* все в. более короткие циклы, исчисляемые, скорее, месяцами, чем годами. Таким образом, существует необходимость , в разработке эффективных и - гибких роботизированных комплексов, которые позволяют работать со сложными и неорганизованными объектами с минимальным-или без. априорного* знания о позиции и геометрии объектов.

Задача извлечения^ объектов из контейнера - задача автоматического разбора неотсортированных объектов с помощью манипулятора. Это очень распространенная задача во всех видах промышленности, где требуется отделить одну деталь от множества других. Как только деталь отделена, она может быть использована на следующем этапе производственного процесса, например, сборке, упаковке, перемещение или-сортировке.

Исследования, посвященные аспектам решения задачи автоматического извлечения объектов из контейнера в таких областях, как системный анализ, робототехника, компьютерная графика и автоматизация производства можно найти в работах отечественных и зарубежных ученых (Козырева Ю.Г., Крутько П.Д., Кулакова А.Ф., Тимофеева A.B., Васильева В.И., Ильясова Б.Г., Как А. и Edwards J., Rahardja К. и Kosaka А., Ikeuchi К., Ghita О., Whelan Р.,

Woern H. и других). Но, тем не менее, несмотря на десятилетия исследований, данная проблема остается открытой. В современном производстве эта, на первый взгляд, легкая задача решается с помощью сложных производственных линий зачастую с применением ручного труда. Тем временем, новые сенсорные технологии, значительные увеличения вычислительной мощности компьютеров, новые алгоритмы-и современные инженерные разработки позволяют предлагать новые подходы к решению проблем автоматизации промышленности.

Данная работа* посвящена решению задачи* автоматического извлечения объектов из контейнера с использованием PMD (Photonic Mixer Device) технологии.

Цель работы

Разработка методов обработки информации и решение задачи управления в системе автоматического извлечения объектов из контейнера с использованием PMD-технологий.

Задачи исследования

Для достижения поставленной цели требуется решить следующие задачи:

1. Провести системный анализ задачи извлечения объектов из контейнера, рассмотреть существующие подходы и оценить эффективность использования PMD-технологии;

2. Разработать метод обработки информации на основе специального математического обеспечения для управления извлечением объектов из контейнера на основе PMD-технологии;

3. Разработать специальное математическое и программное обеспечение для метода реконструкции трехмерной сцены по полученным данным от PMD-камеры, разрабатываемый метод должен учитывать особенности PMD технологии и задачи автоматического извлечения объектов из контейнера;

4. Разработать функциональную модель системы извлечения объектов из контейнера PMD-технологии, алгоритм управления и специальное алгоритми

4. Разработать функциональную модель системы извлечения объектов из, контейнера РМВ-технологии, алгоритм управления и специальное алгоритмическое и программное обеспечение системы автоматического извлечения объектов из контейнера, реализующее предложенные методы;

5. Разработать методику создания и провести испытания экспериментального стенда для решения задачи автоматического извлечения объектов из контейнера. Провести анализ эффективности предложенных методов и подхода в целом. Разработать модели; методы и алгоритмы по результатам стендовых ис следований.

Методика исследования

В работе используются основные положения системного анализа и робототехники, применяются методы обработки изображений, оптимизации, и теории принятия решений. При разработке программного обеспечения* применялись объектно-ориентированный подход, методы геометрического и имитационного моделирования, машинной графики.

Основные научные результаты, выносимые на защиту:

На защиту выносятся:

1. Результаты системного анализа проблемы автоматического извлечения объектов из контейнера;

2. Метод обработки информацииРМБ-камеры, основанного на адаптированном к РМО-технологии и к поставленной задаче методе определения параметров камеры и на методе обработки данных дальномера с использованием оригинальной математической модели;

3. Метод реконструкции трехмерной сцены по полученным от РМО-камеры данным;

4. Функциональная модель и алгоритм управления, специальное алгоритмическое и программное обеспечения системы автоматического извлечения де

5. Методика создания экспериментального стенда и описание стенда для решения задачи автоматического извлечения объектов из контейнера и результаты анализа эффективности предложенных методов и системы в целом.

Научная новизна результатов

Новыми являются разработанные и исследованные автором:

1. Новизна проведенного системного анализа заключается в том, что разработана классификация существующих систем, определены достоинства и недостатки существующих подходов к решению задачи автоматического извлечения объектов из контейнера и рассмотрены особенности ¡применения РМБ-технологии в поставленной задаче.

2. Метод обработки информации с РМБ-камеры, научная новизна которого включает:

• метод определения внутренних и внешних параметров РМБ-камеры, который, в отличие от существующих, адаптирован для использования в поставленной задаче, так как позволяет компенсировать низкое разрешение РМБ-камеры и учитывает ориентацию камеры относительно шаблона;

• метод обработки данных дальномера. Новизна разработанного метода состоит в том, что представляемая модель учитывает особенности сложного и слабо исследованного процесса отображения данных о расстоянии до объекта РМБ-камеры. Предложенные метод позволяет компенсировать недостатки. РМБ-технологии, что позволило эффективно применить ее в решении поставленной задачи.

3. Новизна разработанного метода реконструкции трехмерной сцены обуславливается новизной технологии, особенности которой учитываются в предлагаемом подходе, что позволяет повысить эффективность решения задачи, а также в том, что представленный метод позволяет проводить реконструкцию сцены по нескольким изображениям. Использование предложенного метода позволило решить проблемы низкого разрешения и малого угла обзора РМБ-камер;

4. Новизна предложенной функциональной модели и алгоритма управления заключается в том, что в отличие от известных, они позволяют решать задачу автоматического извлечения объектов из контейнера с использованием РМВ-камеры на основе ситуационного подхода. Новизна разработанного алгоритмического обеспечения обуславливается новизной предложенных методов;

5. Новизна методов создания экспериментального стенда и анализа эффективности обусловлена новыми моделями и методами, а также учетом ограничений на операционные характеристики аппаратно-программного комплекса, вытекающими из существа задачи управления.

Практическая значимость и внедрение результатов

Практическую значимость имеют полученные автором следующие результаты:

1. Разработанное прикладное программное обеспечение на базе языка С++, реализующее предложенный подход к решению задачи с использованием РМБ-камеры, который отличается гибкостью и модульной архитектурой позволяет проводить моделирование и анализ эффективности.

2. Разработанный программно-аппаратный комплекс для решения задачи автоматического извлечения объектов из контейнера с помощью робота-манипулятора и РМБ-камеры.

Внедрение и связь исследования с научными программами

Работа выполнена в рамках совместных научных проектов Уфимского государственного авиационного технического университета и Института управляющих вычислительных систем и робототехники технологического института г. Карлсруэ (Германия), поддержанных грантом РФФИ № 06-08-01180-а «Интеллектуальные методы поиска траекторий многозвенных манипуляторов в сложном, рабочем пространстве» (2006-2008) и грантом № 16SV2307 Министерства образования Германии.

Основные результаты диссертационной работы используются в виде программного обеспечения в научно-производственной фирме «РД-Технология» и в учебном процессе на кафедре ВМиК УГАТУ.

Разработанный программно-аппаратный комплекс успешно внедрен в систему автоматического извлечения - объектов из- контейнера фирмы KUKA Robotics - Lynkeus.

Апробация работы и публикации

Основные научные и практические результаты диссертационной работы докладывались на:

- IX-X Международных научных конференциях "Компьютерные науки и информационные технологии" (Уфа, 2007; Анталия, Турция, 2008);

- семинарах в Институте управляющих вычислительных систем и робототехники технологического университета Карлсруэ (Германия, 2008, 2009);

- семинарах на кафедре ВМиК УГАТУ;

- ежегодных международных зимних школах аспирантов и молодых ученных (Уфа, 2007, 2008).

Основные материалы диссертационной работы опубликованы в 8 статьях, в том числе в 1 статье в рецензируемом журнале из перечня ВАК. Разработанное программное обеспечение защищено свидетельством Роспатента №2010615109 об официальной регистрации программ для ЭВМ.

Объем и структура работы

Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Объем основной части диссертации составляет 117 страниц.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Мамаев, Ильшат Ринатович

4.4 Выводы к главе

Четвертая глава диссертации посвящена созданию робототехнической системы автоматического извлечения объектов из контейнера, в ней проанализированы особенности такой системы, описаны основные компоненты и их технические характеристики. Для проведения испытаний представлен сценарий работы системы. Разработанный программно-аппаратный комплекс позволил провести анализ эффективности разработанных методов обработки данных РМБ-камеры, реконструкции трехмерной сцены и представленного подхода в целом.

Анализ эффективности показал, что разработанный метод обработки данных РМБ-камеры позволяет увеличить точность получаемых от РМГ) камеры данных на 50-60 % в случае камеры оЗсИОО и на 55-65% в случае с камерой ЬупСиЬе. Относительная точность измерения дальности - 1,26% и 1,49% соответственно. В заключении четвертой главы определены перспективные направления дальнейших исследований.

Заключение

В рамках диссертационной, работы разработаны методы, обработки; информации^ решена задача управления в» системе автоматического извлечения-объектов из контейнера с использованием РМБ-технологии.

1. Проведен системный анализ проблемы автоматического извлечения объектов из контейнера, в рамках которого рассмотрены .существующие подходы, их достоинства и недостатки; проведена классификация систем по типу сенсорной технологии, что позволилоюценить целесообразность и эффективность использования РМБ-технологии в поставленной задаче;

2. Разработан метод обработки информации, состоящий из метода определение внутренних и внешних параметров РМБ-камеры и метода обработки данных ее дальномера. В методе определения параметров предложено использовать предварительно ^масштабирование на основе метода билинейной интерполяции, что позволило компенсировать низкое разрешение РМБ-камеры, также реализовано определение ориентации шаблона, что позволяет автоматизировать процесс определения параметров. В методе обработки данных дальномера РМБ-камеры предложена оригинальная модель ошибок, основанная на анализе физических принципов РМБ-технологии, что позволило значительно снизить погрешность измерений.

3. Разработан метод трехмерной реконструкции сцены на основе данных с РМБ-камеры, который, в отличии от известных, позволяет осуществлять трехмерную реконструкцию по нескольким изображениям, что позволяет компенсировать малый угол обзора и низкое разрешение РМБ-камеры и получать более точную реконструкцию сцены.

4. Предложена функциональная модель и алгоритм управления, которые основаны на разработанном подходе к решению задачи автоматического извлечения объектов из контейнера с использованием РМБ-камеры. Разработано алгоритмическое обеспечение, реализующее предложенные методы и программное обеспечение, основанное на У-модели разработки информационных систем, что позволило определить единую процедуру разработки ПО, аппаратного обеспечения и человеко-машинных интерфейсов.

5. Создан экспериментальный стенд для решения задачи автоматического извлечения объектов из контейнера и проведен анализ эффективности предложенных методов и подхода в целом. Показано что: разработанный метод обработки информации позволяет увеличить точность получаемых от РМО-камеры данных на 50-60 % в случае камеры оЗс1100 и на 55-65% в случае с камерой ЬупСиЬе, а относительная погрешность измерения дальности снижена до 1,26% и 1,49% соответственно; разработанный метод трехмерной реконструкции позволяет эффективно использовать РМБ-технологию в поставленной задаче.

Список литературы диссертационного исследования кандидат технических наук Мамаев, Ильшат Ринатович, 2010 год

1. Ю.Г., Козырев. Промышленные роботы. Справочник. 1998 : М.: Машиностроение. Т. 392 .

2. Е.П.Попова, Под ред. Робототехника. Москва : Машиностроение,1984. стр. 285 .3. 25686-86, ГОСТ. Манипуляторы, автооператоры и промышленные роботы. Термины и определения. М: : Госстандарт России : Изд-во стандартов,1985. стр. 8.

3. С.А., Воротников. Информационные устройства робототехнических систем: Учеб. пособие. Москва : Изд-во МГТУ им. Н.Э.Баумана, 2005. стр. 384.

4. И.Б, Челпанов. Устройство промышленных роботов, б.м. : Политехника, 2001.

5. A.B., Тимофеев. Управление роботами. Ленинград : ЛГУ, 1995. стр.240.

6. Вукобратович. М., Стокич Д., Кирчански Н. Неадаптивное и адаптивное управление манипуляционными роботами. Москва : Мир, 1989. стр. 315.

7. Е.С., Шаньгин. Управление роботами и робототехническими системами: Учеб. пособие. Уфа : УГАТУ, 2005. стр. 188.

8. Experimental State of the Art in 3D Object Recognition and Localization Using Range Data. Как, Edwards. Pittsburg, PA : s.n., 1995. Workshop on Vision for Robots in IROS'95 Conference, pp. 1-10.

9. Vision-based binpicking: Recognition and localization of multiple complex objects using simple visual cues. Rahardja, K. and Kosaka, A. Osaka, Japan : б.н., 1996. IEEE Proc. International Conference on Intelligent Robots and Systems, стр. 1448-1457.

10. Recognizing and locating partially visible objects: the local-feature focus method. Cain, R. C. Bolles and R. A. 3, 1982 г., International journal of robotics research, стр. 57-82.

11. A computational approach to edge detection. Canny, J. 6, 1986 г., IEEE Trans, pattern analysis and machine intelligence, стр. 679-698.

12. Generating an Interpretation Tree from a CAD Model for 3D-Object Recognition in Bin-Picking Tasks. Ikeuchi, Katsushi. 1987 г., International Journal of Computer Vision, стр. 145-165.

13. CAD-based 3-D object representation for object vision. B. Bhanu, C.C. Ho. 8, 1987 г., IEEE Comput., T. 20, стр. 19-36.

14. Range image segmentation with applications to robot bin-picking using vacuum gripper. Al-Hujazi, E., Sood, A. 1990 г., SMC, T. 20, стр. 1313-1325.

15. Robust and fast edge detection and description in range images. X.Y. Jiang, H.Bunke. Tokyo : б.н., 1994 г., Workshop on machine vision applications.

16. Классификация и аналитическое региение обратной кинематической задачи шестизвенных манипуляторов /. Васильев* И.А., Ляшин A.M. № 3 , б.м. : Искусств. Интеллект, 2004 г., стр. 679-683.

17. С.О., Озорин. Анализ и проектирование многозвенных манипулятивных систем со значительной кинематической избыточностью. Санкт-Петербург : Балт. Гос. Техн. Ун-т, 2002. Т. 26.

18. Решение обратной задачи кинематики манипуляторов с помощью программных средств. С.В., Савин. Омск : б.н., 2002 г., Механика процессов и машин: Сборник научных трудов, Т. Омск. Гос. Техн. Ун-т., стр. 120-124.

19. Программная среда для имитации процессов управления гибким манипулятором. Тушканов Н.Л., Дерий О. Ю. Кострома : б.н., 2004 г., Сб.: 17 международная научная конференция "математические методы в технике и технологиях", стр. 56-58.

20. Г.Р., Шахмаметова. Интеллектуальные методы поиска траекторий многозвенных манипуляторов в сложном рабочем пространстве. Уфа : Угату, 2000. Т. 148.

21. Юсупова Н.И., Гончар JI.E. и др. Избыточные манипуляторы. Управление. Планирование траекторий. Уфа : б.н., 1998. Т. 47.

22. Yusupova N.I., Gonchar L.E., Nikiforov D.V., Rembold U. Iterative Recursive Algorithm For Path Planning For Redundant Manipulators In Highly Constrained Environment. Turin : IAF-97-u.4.05„ 1997. T. 1-9.

23. Laser ranging and video imaging for bin picking. Boughorbel F., Zhang Y., Kang S., Chidambaram U., Abidi В., Koschan A., AbidMYL 2003 г., Journal of Assembly Automation.

24. Ponce, David A. Forsyth and Jean. Computer Vision, A Modem Approach. б.м.: Prentice Hall, 2003. ISBN 0-12-379777-2.

25. Linda G. Shapiro, George C. Stockman. Computer Vision. New Jersey : Prentice Hall, 2001. ISBN 0-13-030796-3.

26. An assessment of information criteria for motion model selection. Torr, P. 1997 г., IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), стр. 4753.

27. Complete structure from four point correspondences. Dyer, S. Seitz and C. 1995 г., Proc.fifth int. conf. on computer vision, стр. 330-337.

28. Structure fromMotion without Correspondence. Frank Dellaert, Steven M. Seitz, Charles E. Thorpe, Sebastian Thrun. ред. IEEE Computer Society

29. Conference on Computer Vision and Pattern Recognition. Pittsburgh : Carnegie Mellon University, 2000.

30. A bin picking system based on depth from defocus. Ovidiu Gliita, Paul F. Whelan. Dublin: Vision system laboratory, School of electronical engineering, Dublin city university, 2001 r.

31. On Recognizing and Positioning Curbed 3-D Objects from Image Contours. D. J. Kriegman, Jean Ponce. Issue 12, Washington, DC : IEEE computer society, 1990 г., Т. Volume 12 . ISSN:0162-8828 .

32. Saperquadrics and angle preserving transformations. Barr, A. 1981 г., IEEE comput. graphics appl., стр. 11-23.

33. Interpreting line drawings of three-dimensional surfaces. Tenenbaum, H. Barrow and J. 1-3, 1981 г., Artificial Intell., T. 17, стр. 75-116.

34. Description and recognition of complex curved objects. Binford, R. Nevatia and T. 1977 г., Artificial intell., T. 8, стр. 77-98.

35. Visual learning and recognition of 3-d objects from appearance. H. Murase, S.Nayar. 14, б.м. : Kluwer academic publishers, 1995 г., International Journal of computer vision, стр. 5-24.

36. Detectability, Uniqueness, and Reliability of eigen windows for stable verification of partially occluded objects. Ohba K., Ikeuchi K. 19(9), 1997 г., IEEE transaction on pattern analysis and machine intelligence , стр. 1043-1048.

37. The viewpoint consistency constraint. D., Lowe. 1(1), 1987 г., International journal of computer vision, стр. 57-72.

38. Using spin images for efficient object recognition in cluttered 3D scenes. Johnson A., Hebert M. 21(5), 1999 г., IEEE transactions on pattern analysis and machine intelligence, стр. 433-449.

39. A new sense for depth of field. A., Pentland. 9(4), 1987 г., IEEE Transactions on pattern analysis and machine intelligence, стр. 523-531.

40. Depth from defocus: a spatial domain approach. Subbarao M., Surya G. 13, 1994 г., International Journal of computer vision, стр. 271-294.

41. Real-time focus range sensor. Shree K. Nayar, Masahiro Watanabe, Minori Noguchi. 12/ 1996 г., IEEE Transactions on pattern analysis and machine intelligence , T. 18, стр. 1186- 1198.

42. Space-variant approaches to recovery of depth from defocused images. A. N. Rajagopalan, S. Chaudhuri. 3, 1997 г., Computer vision and image understanding, T. 68, стр. 309-329. ISSN: 1077-3142 .

43. Superquadrics for segmentation and modeling range data. Leonardis, A., Jaklic, A. and Solina, F. 11, 1997 г., IEEE Trans, pattern analysis, machine intelligence, T. 19, стр. 1289-1295.

44. Towards a general midti-view registration technique. R. Bergevin, M. Soucy, H. Gagnon, and D. Laurendeau. 18, 1996 г., IEEE Trans, pattern anal, mach. intell, стр. 540-547.

45. A Method for Registration of 3-D Shapes. Paul J. Besl, Neil D. McKay. 14(2), 1992 г., IEEE Trans. Pattern Anal. Mach. Intell, стр. 239-256.

46. Least square fitting of two 3-D point sets. K.S. Arun, T.S. Huang, S.D.Blostein. 5, 1987 г., IEEE Trans, patt. anal, machine intell., T. PAMI-9, стр. 698-700.

47. A versatile camera calibration technique for high-accuracy 3-D machine vision metrology using off-the-shelt TV cameras and lenses. Tsai, Roger Y. 4, 1987 г., IEEE journal of robotics and automation.

48. First steps in enhancing 3D vision technique using 2D/3D sensors. Prasad, Т., Hartmann, K., Weihs, W., Ghobadi, S., Sluiter, А. ред. 11th Computer Vision Winter Workshop 2006. 2006. стр. 82-86.

49. An efficient and accurate camera calibration technique for 3d-machine vision. Tsai, R.Y. Miami: б.н., 1986 г., Proceedings of IEEE conference on computer vision and pattern proceeding, стр. 364-374.

50. Lange, R. 3D time-of-flight distance measurement with custom solid-state image sensors in. University of Siegen : б.н., 2000. ,

51. Lateral and depth calibration of PMD- distance sensors. A. Kolb, M. Lindner. Siegen : б.н., 2006 г., Advances in Visual Computing, Springer, стр. 524533.

52. PMD" технология: Особенности калибровки PMD• камеры. И. P. Мамаев, К. В. Сафронов, X. Вёрн. Уфа, УГАТУ : Информатика, управление и ком-пьютерные науки: сб. ст. 3-й per. зимн. шк.-сем. аспирантов и молодых учё-ных, 2008. стр. С. 154-160.

53. A flexible new technique for camera calibration. Zhang, Z. 2000 г., IEEE Transactions on pattern analysis and machine intelligence, стр. 133-1334.

54. Fusion of stereo-camera and pmd-camera data for real-time suited precise 3D environment reconstruction. Kuhnert, K.D., Stommel, M. 2006 г., IEEE/RSJ international conference on intelligent robots and systems(IROS).

55. Calibration of close range cameras. Brown, D.C. Ottawa: Proc. 12th congress int. soc. photogrammetry, 1972.

56. Direct linear transformation into object space coordinates in close-range photogrammetry. Y.I. Abdel-Aziz, H.M. Karara. Urbana: б.н., 1971 г., ASP symposium on close-range photogrammetry, стр. 1-18.

57. Reinhard Klette, Karsten Schluns, Andreas Koschan. Computer vision: three- dimensional data from images, б.м. : Springer verlag, 1998.

58. A combined corner and edge detector. C. Harris, M.J. Stephens, б.м. : Alvey88, 1988 г., стр. 147-152.

59. Bouguet, J.Y. Visual methods for three-dimensional modeling. PhD thesis.1999;69.- Геометрические свойства нескольких изображений: А., Кону шин. 2006 г., Научно-образовательный сетевой журнал«Графика и Мультимедиа».

60. Gary Bradski, Adrian Kaehler. Computer vision library OpenCV. б.м. : O'Reilly, 2008.

61. Calibration and registration for precise surface reconstruction with TOF cameras. May, Stefan Fuchs and- Stefan: 3/4 , 2008 г., International" journal of intelligent systems^ technologies and applications, T. 5,^ стр. 274-284. ISSN: 17408865 .

62. Incident light related distance error study and calibration of the PMD-range imaging camera. Jochen Radmer, Pol Moser Fuste,,Henning Schmidt, and Jorg Kriiger. б.м. : IEEE Computer society conference on computer vision and pattern recognition , 2008 r.

63. Calibration for increased accuracy of the range imaging camera swissranger. T. Kahlmann, F. Remondino, H. Ingensand. Dresden : б.н., 2006 г., ISPRS Commission V Symposium 'Image Engineering and Vision Metrology', T. 36.

64. Visual perception- the neurophysiologocal foundations. L.Spillmann, J.S. Werner, б.м. : Academic press, Inc. Harcourt Brace Jovanovich, publishers, 1990 r.

65. Wandell, Brian A. Fundations of visions. Massachussets: Sinauer associates, Inc.Sunderland, 1995.

66. Hubel, David H. Eye, brain and vision and vision. New York : Scientific american library, 1995.

67. Besl, Paul. Advances in machine vision, б.м. : Springer-Verlag, 1989, 1.

68. A VLSI smart sensor for fast range imaging. A. Gruss, S. Tada, T. Kanade. б.м. : DARPA93, 1993 г., стр. 977-986.

69. A perspectibe on range-finding techniques for computer vision. Jarvis, R. A. 5, 1983 г., IEEE Trans, pattern analysis mach.intell., стр. 122-139.

70. Trobina, Marjan. Error model of a coded-light range sensor, б.м. : ETH-Zentrum, 1995.

71. Characterizing three-dimensional surface structures from visual images. Wang, Y.F. 13(1), 1991 г., IEEE Transactions on pattern analysis and machine intelligence, стр. 52-60.

72. Faugeras, O.D. Three-dimensional vision, a geometric viewpoint, б.м. : MIT press, 1993.

73. Horn, B. Robot vision, б.м. : MIT press, 1998.

74. Kanade, Carlo Tomasi and Takeo. Detection and tracking of point features, б.м. : Carnegie Mellon university, 1991.

75. An iterative image registration technique with an application to stereo vision. Kanade, B.D. Lucas and Т. б.м. : Conf. on art. intel., 1981.

76. Good features to track. Tomasi, Jianbo Shi and Carlo. 1994 г., IEEE Comput. soc. conf. сотр. vision and pattern recog., стр. 593-600.

77. Performance of optical flow techniques. J. Barron, D. Fleet, S. Beauschemin. 12(1), 1994 г., Int. J. of computer vision, стр. 43-78.

78. SD-реконструкция сцены в промышленных задачах с помощью новой трехмерной камеры. X. Берн, Ю. Граф, К. Сафронов, И. Мамаев. Гейдельберг, Германия : Измерительная техника:науч.-техн. журнал. Вихманн Ферлаг, 2009 г., стр. С. 200-205.

79. К.В., Сафронов. Иерархический итерационный метод распознаванияобъектов на основе многомерных данных. Дис. канд. техн. наук. Уфа : б.н., 2008 г. стр. 165 с.

80. Решение задачи извлечения деталей из контейнера с использованием иерархического umepaif ионного метода распознавания образов. К.В. Сафронов, И.М. Чушенков, X. Вёрн. Мюнхен : Матер, межд. конф. Robotic 2008, 2008. стр. С. 3-6.

81. Поиск пути многозвенного манипулятора в сложном трехмерном пространстве с использование параллельных вычислений. Н. Юсупова, Г. Шахмаметова, А. Камильянов, И. Мамаев. Карлсруэ, Германия : Матер. 8-й межд. науч. конф. CSIT'2006, Т. 2, 2006. стр. С. 1-5.

82. Алгоритмы поиска оптимальных траекторий робота. И. Мамаев, М. Венц, X. Вёрн, Н. Юсупова. Красноусольск, Россия : Матер. 9-й межд. науч. конф. CSIT'2007, 2007. стр. Т. 1. С. 28-33.У

83. Об одном подходе к моделированию управления движением манипулятора. И.Р., Мамаев. Уфа, УГАТУ : Сб. ст. 2-й per. зимн. шк.-сем. аспирантов и молодых учёных, 2007. стр. Т. 1. С. 101-107.

84. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Москва : Финансы и статистика, 1985. стр. 321.103. gnuplot homepage. В Интернете. [Цитировано: 21 June 2010 г.] http://www.gnuplot.info/.

85. Janert, Philipp К. Gnuplot in Action: Understanding Data with Graphs. б.м. : Manning Publications Co., August, 2009. ISBN: 1933988398.

86. Camera models based on data from two calibration planes. H. A. Martins, J. R. Birk, R.B. Keiley. 1981 г., Computer graphics image processing, T. 17, стр. 173-180.