没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
现有的三维物体识别和位姿估计方法无法很好地用于散乱堆放物体的场景,尤其是有严重遮挡和混叠的场景。使用基于点对特征的点云匹配和位姿估计算法,针对工业环境中乱序物体的特点,进行了一系列改进,如场景点云法线方向一致性调整、抓取位姿筛选策略调整、旋转对称引起的角度偏差调整,以取得更理想的位姿估计结果。在仿真环境和真实场景下进行了一系列实验,实验结果表明,所采用的算法在乱序物体场景中的位姿估计效果比较理想。
资源推荐
资源详情
资源评论
第
卷
第
期
激 光 与 光 电 子 学 进 展
年
月
Laser
&
O
p
toelectronics
Pro
g
ress
Se
p
tember
基于点对特征的散乱堆放物体的位姿估计算法
徐 冠 宇
,
董 洪 伟
,
钱 军 浩
,
许 振 雷
江南大学物联网工程学院
江苏
无锡
摘要
现有的三维物体识别和位姿估计方法无法很好地用于散乱堆放物体的场景
尤其 是有 严重遮 挡和 混叠的 场
景
使用基于点对特征的点云匹配和位姿估计算法
针对工业环境中乱序物体的 特点
进行 了一 系列改 进
如场 景
点云法线方向一致性调整
抓取位姿筛选 策 略 调 整
旋 转 对称 引 起 的 角度 偏 差 调 整
以 取 得更 理 想 的 位姿 估 计 结
果
在仿真环境和真实场景下进行了一系列实验
实验 结果 表 明
所 采用 的算 法 在乱 序物 体 场景 中的 位 姿估 计效
果比较理想
关键词
机器视觉
点对特征
点云匹配
位姿估计
散乱堆放
旋转对称物体
中图分类号
文献标志码
doi
:
.
/
LOP.
Pose
Estimation
Al
g
orithm
for
Random
Bins
Based
on
Point
Pair
Features
Xu
Guan
y
u
Don
g
Hon
g
wei
Qian
Junhao
Xu
Zhenlei
School
o
f
Internet
o
f
Thin
g
s
En
g
ineerin
g
Jian
g
nan
Universit
y
Wuxi
Jian
g
su
China
Abstract
Ke
y
words
OCIS
codes
收稿日期
修回日期
录用日期
E-mail
E-mail
引
言
近些 年来
随着工业机 器人和机器 视觉得到越
来越广泛的应用
工业产线的自动化程度不断提高
工业机器人可以准 确高效地 完 成重复性 的 工作
但
缺乏柔性
故需要添加 机 器视觉系 统
常见的工 业
自动装配通常需要用到机械臂的抓取技术
而面
向散乱堆放物体的 无序抓取 问 题
由于该场 景 下背
景杂乱
物体之间存在遮挡
物体无序抓取有着较高
的难度
近年来也逐渐 成 为研究热 点
而无序抓 取
的核心问题之一是 对物体的 位 姿估计
即从场景 中
识别并定位出物体
目前
位姿估计算 法按不同的 处理对象可 分为
基于二维
图片的算 法 和基于三 维
点云的
算法
早期工业相 机 相对点云 获 取设备较 为 廉价
且取 像 迅 速
抓 取 系 统 多 基 于
图 片 实 现
和
采 用
关 键 点 特 征 匹 配 的
方法识别
物 体 并 进 行 位 姿 估 算
以 此 实 现 机 械
臂抓取
等
提出 了一种基于
边缘匹配
和图像金字塔级的方法
通 过 搜 索 相 似 的
模 型
激 光 与 光 电 子 学 进 展
估计
物体的位姿
但是
基于
图片的位姿估
计方法在处理无序 抓取问题 时
只有在物 体 位姿变
化很小时才起作用
且难以很好地处理遮挡情况
近些年来
点云获取 设 备 越 来 越 便 宜
研 究
人员开始 更 多 地 研 究 基 于
点 云 的 位 姿 估 计 方
法
面向散乱堆放物体的位姿估计算法主要有两
种
分别计算模板点 云 与场景点 云 的特征描 述
子
如快速点特征直方 图描述子
取特征空 间 上距
离最近的点作 为 对 应 点 进 行 匹 配
然 后 在
假 设
验
证
框架
如随机采 样一致性算法 框 架
下不断寻 找
可能的位姿
直到 满 足条件后
退出循环
使用
点云表面上的点和 法线作为 基 元定义点 对 特征
模
板点云被表 示 为 一 系 列 的 点 对 特 征 存 储 在 哈 希 表
中
以便检索
场景点云中的每个点使用类似霍夫投
票的方式获取位姿
最终选取 票 数最高的 位 姿作为
最终的位姿
第一种方法快速
高效
但依赖于特
征描述子的选取
如果选择全局特征描述子
该方法
容易忽略局部细节
导致识别力不强
往往需要先从
场景中分割出目标物体
且对物体遮挡
背景杂乱的
情况不够鲁棒
如果选择局部特征描述子
其只考虑
局部
往往对噪 声 非 常 敏 感
更 重 要 的 是
描 述 子
的旋转不 变 性
平 移 不 变 性 导 致 算 法 处 理 工 业 中
较常见的旋 转 对 称 物 体
如 圆 柱 体
时
会 根 据 物
体计算出大 量重复的 特 征
影 响 对 应 点 的 匹 配
导
致位姿估计 的效 果 不 理 想
第 二 种 方 法 使 用 点
对特征
计算简单
使 用 类 似 霍 夫 投 票 的 方 式 获 得
位姿
对传 感 器 噪 声
杂 乱 背 景
物 体 遮 挡 均 具 有
很好的鲁棒 性
赵银帅等
提 出 了 一 种 基 于 边 缘 点 对 特 征 的
三维目标识别与定 位方法
并将其成 功 应用在了 钢
板打磨项目中
但由于钢 板 较大
能充满视 野
这并
不属于无序抓取问题
鲁荣荣等
提出了一种 基于
增强型点对特征的 三维目标 识 别算法
在开放数 据
集和实际采集的数据集上均取得了比基于原始点对
特征的算法更好的效果
但其只考虑了点云匹配
并
没有考虑机械臂抓取相关的问题
本文基于点对特
征
面向散乱堆放的物体
进行了一 系 列改进
以取
得更理想的位姿估计结果
基于点对特征的位姿估计算法
基于点对特征的位姿估计算法
分为离线建模
和在线识别两个阶段
如图
所示
在离线建 模 阶
段
使用待抓取物件的
模型
将其离散 化 为点
云
或使用点云成像设备扫描待抓取物件获得点云
估算点云的法线
然后从点云中提取点对特征
并将
其保存在哈希表中
完成离线建模
对于在线识别阶
段
使用点云成像设 备 扫描散乱 堆 放的待抓 取 物件
的场景
获得场景点云
使用与离线建模阶段同样的
方法获得点对特征
然后进行 点 对特征对 齐 和位姿
估计
在位姿参数空间使用投票策略进行模板匹配
对得到的多个位姿 进行聚类
选择得分 高 的位姿作
为最终的输出位姿
图
基于点对特征的位姿估计算法流程图
21
离线建模阶段
基于点对特征的位姿估计算法
使用点对特征
描述两个点的相对位置和法线方向
对于任意两个
点
m
m
图
其法线分别为
n
n
则定义一个
维向量作为这两个点之间的特征描述
F
m
m
F
m
m
=
f
f
f
f
=
d
n
m
m
n
m
m
n
n
式中
f
为 点
m
与 点
m
之 间 的 欧 氏 距 离
f
为
法线
n
与连线
m
m
之间的夹角
f
为法线
n
与
连线
m
m
之间的夹角
f
为法线
n
与法线
n
之
间的夹角
基于点对特征的位姿估计算法使用全局模型描
述模板点云
全局模型描述可计算模板点云上的所
有点对特征
并将相 似 的点对特 征 存储在哈 希 表的
同一个键值下
如图
所示
图中
A
为哈希表中某
一键对应的值的集合
其元素为若干个点对特征
F
剩余8页未读,继续阅读
资源评论
weixin_38700240
- 粉丝: 2
- 资源: 976
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功