Tutorial

介绍

使用 physical blocks,可以在一张桌子上对实物进行编程。

参考:

提醒

第一次运行插件,Windows 和 Mac 用户会自行按照依赖: opencv-contrib-python, 依赖比较大(> 60MB), 耐心等待 1 分钟左右,安装完成会会弹出通知。

Linux 用户需要手动安装 opencv-contrib-python(有系统依赖)。

树莓派用户

安装依赖系统

sudo apt-get install libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libxvidcore-dev libx264-dev
sudo apt install libatlas-base-dev
sudo apt-get install qt4-dev-tools
sudo apt-get install libhdf5-dev libhdf5-serial-dev libhdf5-103

之后安装opencv-contrib-python

  • pip3 install opencv-contrib-python==3.4.6.27

Demo

入门案例

分享两个入门案例:

更多案例

FAQ

如何打印 Marker

我们提供了一份30张的版本:

你可以从 arucogen 里打印(建议从编号1开始)

更多细节参考CodeLab DynamicTable: 一个可实施的技术方案

默认的Marker只有50种, 想要更多怎么办

默认是4X4_50(最多50种)的marker, 你可以选择4x4_100(最多100种),或者4x4_1000(最多1000种)

选择之后请修改(推荐使用JupyterLab)插件里对应的代码(104行):

# aruco_dict = cv2.aruco.Dictionary_get(cv2.aruco.DICT_4X4_50)
aruco_dict = cv2.aruco.Dictionary_get(cv2.aruco.DICT_4X4_100)

关于不同的marker数量决定了字典的大小,越小的数字,鲁棒性越好。 考虑到大多数用户的场景,50个是够用的,所以我们默认采用50.