Skip to content

Ball Distance Estimation on Omnidirectional Camera

Pada implementasi sistem saat dokumentasi ini ditulis (Oktober 2025), estimasi jarak bola pada kamera omnidirectional dilakukan menggunakan model machine learning. Dari berbagai model yang telah diuji, Multilayer Perceptron (MLP) menunjukkan performa terbaik.

Proses estimasi jarak menggunakan kamera omnidirectional dapat diilustrasikan pada gambar di bawah ini:

-

Seperti terlihat pada gambar di atas, model regresi menerima fitur hasil ekstraksi (feature extraction) yang diperoleh dari proses deteksi objek. Hingga saat ini, fitur yang diekstraksi meliputi nilai dari bounding box bola yang terdeteksi, serta panjang dan lebar frame gambar dari kamera omnidirectional.

Contoh kode untuk perhitungan fitur-fitur tersebut adalah sebagai berikut: 

double distPix = sqrt(pow(poseX_ball - image_center_x, 2) + pow(poseY_ball - image_center_y, 2));
double angle = atan2(poseY_ball - 240, poseX_ball - 240) * 180 / M_PI;
if (angle < 0)
    angle += 360;

double BBSize = (box.right - box.left) * (box.bottom - box.top);
double aspRatio = width / height;
double relative_height = height;
double normalized_BBSize = BBSize / (image_height * image_width);
double horizontal_offset = (poseX_ball - image_center_x) / image_width;
double vertical_offset = (poseY_ball - image_center_y) / image_height;
double log_distPix = std::log(1.0f + distPix);

📌 poseX_ball dan poseY_ball adalah koordinat bola pada frame, yang dapat diperoleh dari titik tengah bounding box.
📌 width dan height merupakan lebar dan tinggi bounding box.
📌 image_center_x dan image_center_y adalah koordinat titik tengah frame dari kamera omnidirectional.

Dataset untuk Training Model Regresi

Berdasarkan fitur-fitur di atas, dapat dikumpulkan dataset yang digunakan untuk melakukan training model regresi. Contoh bentuk dataset tersebut dapat dilihat pada gambar berikut:

-

Seperti terlihat pada tabel di atas:

📌 Kolom distanceReal merupakan nilai output (jarak sebenarnya yang ingin diprediksi).
📌 Kolom-kolom lainnya merupakan fitur input yang digunakan oleh model regresi untuk melakukan estimasi jarak bola.

Training Model Regresi

Untuk melakukan training model regresi, langkah pertama yang perlu dilakukan adalah menyiapkan dataset seperti yang telah dijelaskan sebelumnya. Selanjutnya, proses pelatihan model MLP untuk regresi dapat mengikuti panduan yang terdapat pada repositori berikut:

👉 Barelang63-KRSBI-Beroda / MLP_for_Regression

Proses training tersebut akan menghasilkan beberapa file model hasil pelatihan. Pada implementasi di robot Barelang63, model yang digunakan memiliki format .onnx, yang memungkinkan integrasi mudah ke dalam sistem berbasis C++ untuk inferensi real-time.

Konversi Estimasi Jarak ke Koordinat Lokal (X dan Y)

Setelah nilai estimasi jarak bola (distPred) diperoleh dari model, nilai tersebut dapat dikonversi menjadi koordinat lokal X dan Y. Implementasi konversinya dapat dilakukan dengan kode berikut: 

double x_pos = disPred * sin(angle * M_PI / 180.0);
double y_pos = distPred * cos(angle * M_PI / 180.0);

📌 distPred merupakan nilai jarak yang diprediksi oleh model machine learning.
📌 angle adalah nilai sudut yang digunakan saat proses feature extraction sebelumnya.

video implementasi

Berikut merupakan tampilan hasil penerapan estimasi jarak bola menggunakan model machine learning ini:

Video Implementasi