基于Super4PCS的激光点云配准适用性研究

针对超四点快速鲁棒匹配算法(Super 4-points congruent sets,Super4PCS)对不同特点的激光点云配准的适用性问题,分别对不同重叠率、不同噪声点、不同数据量的点云进行了配准实验,比较分析了算法的配准精度和数据适用性。实验分析得出,Super4PCS算法对于重叠率高于40%、噪声比例低于30%的点云数据,具有较好的配准效果,而在较高精度参数设置下(d<1),点云数据量接近300万时,Super4PCS算法难以完成点云配准。在实际点云配准时可以依据点云数据的特点,判断数据是否适用于Super4PCS算法,通过处理点云数据来满足Super4PCS算法配准的数据条件,得到良好的点云配准结果。

基于PCA-SIFT特征融合的铸件冒口点云匹配研究

当前自动化铸件冒口切割机器人系统研制在识别和定位冒口方面要求精确,且面临现场环境复杂、相机采集数据量大、处理效率低、算法不稳定性导致误差较大等问题。针对上述问题,提出PCA-SIFTS4的点云配准方法,首先,对采集的场景点云数据通过多阶段滤波和聚类分割技术,从复杂的场景中提取出高质量的冒口点云;其次,基于PCA与3D-SIFT特征融合提取冒口点云的特征属性,降低Super4PCS粗配准的搜索复杂度,缩短配准时间;最后,采用点到面的ICP算法进行精配准,运用所提出的方法对典型形状冒口点云进行配准实验,与传统配准算法相比,配准时间和均方根误差分别平均降低78.53%和64.93%,结果表明PCA-SIFTS4算法对于环境复杂、数据量大、特征不明显的冒口点云具有较好的实时性和精确性。

双重下采样增强的点云改进配准算法研究

自动驾驶领域对点云配准实时性要求高,而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此,本文提出了一种改进的快速点云配准方法,首先采用双重下采样方法对初始点云数据进行预处理,在保留原始特征的同时快速降低点云数据量,然后引入内部形状描述子(ISS)来优化超级全等四点集(Super4PCS)算法,降低其时间复杂度,最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证,结果表明:该算法具有良好的鲁棒性,且配准精度和配准速度均比已有算法有明显提高。

一种基于实例分割和点云配准的六维位姿估计方法

本文提出一种基于Mask R-CNN实例分割网络和Super4PCS点云配准算法来估计物体六维姿态的方法。通过目标点云与已知位姿的参考点云进行配准,可以获取目标的六维姿态。但实际中往往采用三维设备扫描目标的整体环境,生成的点云数量庞大,直接作为源点云与参考点云配准时,会由于候选集较多从而导致运算时间太长,因此本文先对目标实例分割处理后再配准:首先,利用深度相机获取整体环境的RGB-D图,其次利用Mask R-CNN模型将把目标分割出来,并将分割的目标RGB-D图转化为点云图,利用Super4PCS点云配准算法与参考点云进行配准,最终得到目标的六维位姿。在自制作的数据集上进行了验证,对比分割前后的四组实验,时间降低率约为60%-80%,有效证明了本方法的可行性。

工程装备逆向建模中的点云配准技术研究

通过应用一种基于区域划分的Super4PCS算法用于点云全局配准,根据源点云与目标点云的重叠比例对点云进行区域划分,计算出能够实现最大比例重叠的区域;最后求解出各区域配准的旋转矩阵和平移向量,并将其用于全局配准,同时采用了基于重启加速ADMM改进的稀疏ICP算法用于点云局部配准。实验结果表明,所用算法在两配准点云低重叠比例时,能够有效地提高配准精度与配准效率,同时避免了陷入局部最优解的问题。

Delay-CLD:一种基于三维激光雷达的闭环检测算法

目的:针对三维激光SLAM闭环检测存在的难以提取高重复性的独特关键点,或者局部匹配始终遭受描述能力缺乏的问题,提出了一种三维激光SLAM闭环检测算法——Delay-CLD。方法:该算法首先利用前端里程计设置一个延迟阈值,然后利用全局3D描述符匹配算法M2DP高效的确定闭环候选者,接着在确定的闭环候选者之间进行基于Super G-4PCS的粗配准,以确保不会处理错误的闭环检测,最后,使用改进的ICP算法来完善转换估计,最终完成闭环检测。结论:论文的最后通过两组实验证明了这种方法的优越性。