基于RANSAC拟合点云去噪的苹果采摘位姿构建方法

针对果园环境下果实重叠和光照等因素带入的难滤除点云噪声,导致借助点云构建的采摘位姿精度低的问题,本文提出了一种基于随机采样一致性(Random sample consensus,RANSAC)拟合点云去噪的采摘位姿构建方法。该方法通过RANSAC拟合算法从预处理后的果实点云中检测出多个潜在的球体,并以与点云采集设备垂直距离最短的球体球心作为目标果实的基准设置距离阈值,以便进一步滤除目标果实点云中难滤除的点云噪声,提高目标果实的位姿构建精度。在此基础上,利用最小二乘法对去噪后的点云进行球拟合得到球心坐标,并作为目标果实的采摘位置,然后结合实例分割算法获取的二值化掩膜图像质心三维坐标,构造接近向量作为采摘姿态,完成采摘位姿的构建。重叠果实点云去噪试验表明,本文方法能够有效滤除目标果实中难滤除的点云噪声;位姿构建评估试验结果显示,在室外仿果园环境下采用提出的位姿构建方法,果实定位精度达到15.0 mm,相较于直接使用RANSAC拟合球的定位方法,定位精度最大提高28.1%,位置构建稳定性提高76.0%;果园采摘对比试验表明,采用提出的位姿构建方法定位成功率达到70.2%,相较于现有同类方法,定位成功率提高23.4%,采摘成功率提高38.4%。本文提出的方法可为复杂果园环境下的果实位姿准确构建提供参考。

融合神经网络与数值计算的人体逆向运动学求解

人体逆向运动学问题是人体运动合成、人体运动捕获和理解的基本问题.由于人体关节链式系统的复杂性,人体逆向运动学方程往往存在多解或无解的情形.传统的方法通常采用解析或数值迭代方法求解逆向运动学问题,在给定足够多约束的情形下能够得到比较好的解,但无法处理少量约束下生成自然的人体姿态问题.近年来,从大规模数据集中学习统计模型参数的思想被广泛运用,求解人体逆向运动学的机器学习方法中经典工作|混合Gauss逆向运动求解模型(Gaussian mixture model-inverse kinematics,GMM-IK)就提出利用混合Gauss模型建模人体姿态数据分布,并采用期望最大化方法求解参数.随着深度学习技术的发展,本文提出一种自编码神经网络与数值迭代融合的方法,在给定少量约束的情形下依然能够得到自然的人体姿态,相较于GMM-IK方法,本文所提出的方法通过神经网络自动学习姿态分布,省去了模型的假设和特征的设计,且量化实验显示本文方法的关节坐标和角度重建误差相较于GMM-IK模型平均减少了25%和39%.在应用方面,本文方法可处理光学运动捕获数据,也可用于图像视频的人体姿态估计等领域.