Для разработки робота-следопыта я использую ASUS Xtion и OpenNI. Чтобы получить как RGB-изображение, так и суставы скелета, я использую скрипт отслеживания скелета (https://github.com/Chaos84/skeleton_tracker). Трекер публикует стыки в "/tf" Но дело в том, что я не могу использовать эти координаты стыков в своем скрипте. Я не знаю, как получить к ним доступ. Как я могу получить к ним доступ и использовать их в своем сценарии, чтобы заставить робота двигаться в соответствии с этими координатами? Спасибо.
Как получить доступ и использовать координаты суставов скелета с помощью OpenNI, ASUS Xtion и ROS?
20.04.2016
Ответы:
1
Чтобы получить совместные координаты и углы из темы /tf, вам нужно настроить прослушиватель tf, который объясняется в этом ссылка.
Также вы можете посмотреть на один из моих пакетов ROS, где я написал tf listener, используя OpenNI и ASUS Xtion. Вот ссылка.
27.04.2016
2
Вы можете использовать другое средство обнаружения/отслеживания скелета, BodySkeletonTracker:
https://github.com/derzu/BodySkeletonTracker
Посмотрите, как это работает:
Вы можете получить точки суставов, получив объект класса SkeletonPoints.
04.08.2017
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..