robot-perception

此技能為機器人感知系統的開發與維護提供了完整的框架。專為機器人工程師與感知研究人員設計，旨在協助構建結合 RGB 相機、結構光深度感測器、光達 (LiDAR) 與慣性測量單元 (IMU) 等多樣化硬體的高效能管線。無論您是在移動平台進行感測器融合，或是為機器人手臂實施視覺伺服，此技能皆提供實用的模式，以構建能在真實世界運作的可靠感知堆疊。

此技能涵蓋了感知開發的全生命週期，從底層硬體配置與驅動程式整合，到複雜演算法的實施皆有涉獵。它強調精準幾何校正與訊號同步的重要性，並提供關於如何管理多感測器組、處理感知延遲以及確保不同模態間畫面校準的指導。您將獲得處理電腦視覺任務（如物件偵測、語義分割、點雲過濾與 3D 重建）的標準化方法。

• 提供相機校正方面的專家指導，包含內參矩陣估計、外參轉換以及機器人與相機手眼校正協定。

• 為 OpenCV、Open3D、PCL 與 ROS2 感知套件等業界標準工具與框架提供完整支援。

• 管理感測器資料的最佳實踐，包括多執行緒擷取、抖動降低以及異質裝置間的時間戳同步。

• 點雲處理、ICP 配準與影像去畸變的高階技術，以提升導航與操作任務中的空間精準度。

• 針對邊緣運算的生產部署策略，聚焦於 GPU 加速、推論優化以及現場處理感知管線故障的方法。

• 在棋盤格或 Charuco 板校正過程中，請務必優先確保亞像素細化與空間覆蓋率，以將重投影誤差降至最低。

• 為感測器串流實作有界緩衝區 (bounded buffers)，確保感知執行緒永遠不會阻塞硬體驅動，防止延遲累積。

• 盡可能使用硬體同步（如 PTP 或相機間同步線），若不可行，則使用具有嚴格時間戳視窗的軟體同步作為備援。

• 偵錯未對齊問題時，請使用 tf2 等工具驗證座標轉換，確保感測器與機器人基座之間的參考框架定義一致。

• 針對大型點雲建議優先使用高效率資料結構；在進行繁重處理或配準前，使用 PCL 的 VoxelGrid 等濾波器進行降採樣。