Tuto construction d’une lanterne compacte et solide.

Partie 2 : Optimisation de pose

Une fois nos features détectées et associées, on va chercher à estimer le mouvement effectué entre les deux observations.

Partie 1: Introduction & detection de features

Certaines personnes racontent qu’ils ont un mauvais sens de l’orientation. Ils peuvent se comparer à un robot et se sentir bien meilleurs.

Partie 2: Améliorations et encore plus de blabla !

Nous en étions restés à la construction d’une structure d’arbre de recherche basique utilisant une recherche de possibilité basée sur un équilibre l’exploration, de score et de chance (MCTS: Monte Carlo Tree Search). Dans cette deuxième partie, je vais montrer les améliorations que j’ai trouvées pour la méthode de base.

Partie 1: Blabla et implémentation

Je suis nul aux échecs, aux dames, me fait rouler dessus au Puissance 4, bref les jeux de société ne sont pas mon fort. Par contre, je me débrouille pas mal en programmation.

Dans ce post, j’implémente un système de segmentation de depth map en temps réel, basé sur l’analyse d’une normal map.

Utiliser un flux vidéo issu d’une seule caméra pour estimer la profondeur des objets dans l’image. Un petit plongeon dans le monde de la géométrie épipolaire et de l’analyse des points d’intérêts.

CAPE (Cylinder And Plane Extraction) est une méthode extrêmement efficace d’extraction de plans et cylindres dans des images RGB-D, basée sur une méthode AHC. Malgré l’efficacité de cette méthode, l’implémentation C++ du papier présente de nombreux défauts.

Dans ce post, je vais expliquer comment j’ai réparé la plupart de ces problèmes.

Localiser un robot mobile dans un environnement virtuel grâce a la programmation par contraintes.

Qu’est-ce que la programmation par contraintes ? Quels en sont les avantages et les limites ? Peut-on faire en une heure un algorithme qui résout les Sudoku ?

Une de ces réponses est oui.