一种基于非刚性点云配准技术的数字化资源空间位姿标定方法

本发明属于三维点云配准，尤其涉及一种基于非刚性点云配准技术的数字化资源空间位姿标定方法。

背景技术：

1、随着人工智能技术的发展，工业机器人在智能制造领域取得巨大的成功，为提高制造效率、提升柔性制造能力提供了一个现实可行的解决方案。但在工业机器人应用过程中，需要人工对其进行实机调试，这存在低效率以及低柔性等问题。因此，仿真技术被广泛应用于工业机器人作业模拟过程。通过在仿真环境中，以较低成本对工业机器人进行工业仿真，不仅可以优化作业流程、提高作业效率，还可以提前发现潜在问题，及时进行改进。然而，由于仿真环境与真实环境存在差异(如安装、制造等因素造成的空间位姿不一致的问题)，仿真环境中计算得到的工业机器人作业轨迹往往难以直接应用于真实物理世界中。

2、针对上述问题，借助成熟的三维扫描技术与设备，获取目标场景的三维点云，并作为数字化资源空间位姿标定过程的目标点云，以仿真环境下模型轻量化后的点云作为位姿标定过程的源点云，通过源点云到目标点云的配准，完成空间位姿标定过程。然而，由于工业机器人具有高自由度的特点，类似迭代最近点及其改进算法所输出的单一转换矩阵无法满足工业机器人位姿标定精度的需求。同时，非刚性点云配准问题难以实现有效的数据标注，基于深度学习实现点云配准，此类方法严重依赖于数据的标记精度，导致在无标记样本的情况下，算法泛化性差。

技术实现思路

1、本发明的目的在于提供一种基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，包括如下步骤：

2、s1：利用三维点云获取设备对车间场景进行扫描，获取车间三维点云信息，并对获取的车间三维点云信息进行预处理，得到无噪声的点云；

3、s2：构建基于优化算法的地面分割模型，将车间三维点云分为地面点和非地面点；

4、s3：基于三维点云特征实现数字化资源的点云识别，完成位姿标定过程的目标点云获取；

5、s4：对仿真场景下的数模信息执行轻量化操作，获取数模点云数据，完成位姿标定过程中的源点云获取；

6、s5：构建非刚性点云配准的深度学习模型对源点云与目标点云之间的关联特征进行学习，实现数字化资源的空间位姿标定。

7、进一步地，s1中，通过三维点云下采样技术与三维点云统计滤波技术完成三维点云的预处理。

8、进一步地，执行三维点云下采样技术具体为：

9、利用k最近邻算法对点云中每个点计算距离其最近的k个邻点，通过公式近似计算得到当前点的密度，对具有相同密度分布的点进行采样，实现三维点云下采样；

10、对采样后的三维点云执行三维点云统计滤波技术，具体为：构造基于邻域信息熵的权重计算模型，结合平面法向量变化率实现噪点与非噪点的自适应识别。

11、进一步地，s2具体包括如下步骤：

12、s21：基于先验知识，对平面方程进行初始化，给定平面的粗略矢量方向；

13、s22：基于优化算法对相关参数进行迭代优化，以满足在面内点数最多为目标，实现平面方程的参数细化；

14、s23：基于平面方程实现地面点云的识别，并将其作为噪声进行滤除。

15、进一步地，s3具体包括以下步骤：

16、s31：基于协方差矩阵计算非地面点的几何特征；

17、s32：构建机器学习模型完成不同具有不同特征点的学习，实现扫描场景内各物品的分类。

18、进一步地，s31中，基于k最近邻算法计算点云中每个点的邻点，并构造点协方差矩阵，表示为：

19、

20、其中，n为点云中点的数量；ci为第i个点的协方差矩阵；pi为点云中第i个点；p'i为第i个点的邻点。

21、进一步地，s5中，深度学习模型包括：

22、相关性矩阵提取模块，该模块用于计算源点云与目标点云之间的相关性矩阵，考虑不同点云图结构特点，提取各点云内部结构特征，并构造关联语义特征；

23、区域权重提取模块，该模块用于自适应计算不同区域间的权重信息，考虑高自由度工业机器人结构特点，利用注意力机制的局部特征学习能力，实现局部刚性区域的自适应提取，降低过多的自由度对标定精度的影响；

24、关联特征提取模块，该模块基于区域权重的提取结果，学习不同区域间的关联特征，用以提高标定精度；

25、融合特征提取模块，该模块融合数字化资源的空间与结构特点，并考虑关联特征缺乏源点云语义信息，深度学习模型通过该模块提取源点云语义信息，提高总体特征的包含信息；

26、损失函数计算模块：该模块通过损失函数计算方法，降低了网络对于高精度标注数据的需求。

27、与现有技术相比，本发明的有益效果主要体现在：本发明采用端到端式非刚性点云配准方法，通过相关性矩阵的构建、区域特征的学习及多特征融合的方法，极大地提高了配准的精度与效率，提高了工艺装备在空间位姿上的标定精度。

技术特征：

1.一种基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，所述s1中，通过三维点云下采样技术与三维点云统计滤波技术完成三维点云的预处理。

3.根据权利要求2所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，执行所述三维点云下采样技术具体为：

4.根据权利要求1所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，所述s2具体包括如下步骤：

5.根据权利要求1所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，所述s3具体包括以下步骤：

6.根据权利要求5所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，所述s31中，基于k最近邻算法计算点云中每个点的邻点，并构造点协方差矩阵，表示为：

7.根据权利要求1所述的基于非刚性点云配准技术的数字化资源空间位姿标定方法，其特征在于，所述s5中，所述深度学习模型包括：

技术总结本发明提供一种基于非刚性点云配准技术的数字化资源空间位姿标定方法，属于三维点云配准技术领域，方法包括：首先基于大视场三维激光扫描仪对产线的三维点云数据进行获取，通过滤波、体素化等预处理技术对点云进行预处理；采用欧式距离聚类、随机采样一致性等算法对场景内存在的工艺装备进行分割；对源点云与目标点云进行特征提取，计算两者的相关性矩阵；构建基于多头注意力机制的相关性矩阵编码器，自适应学习局部刚性区域与非刚性连接区域特征；提取源点云融合特征，实现空间分布与特征分布的融合；构建相关性矩阵解码器，将融合特征与相关性矩阵相连接，提升配准精度。本发明采用端到端式非刚性点云配准方法，通过相关性矩阵的构建、区域特征的学习及多特征融合的方法，极大地提高了配准的精度与效率，提高了工艺装备在空间位姿上的标定精度。技术研发人员：刘银华,王雪琪,李彦征受保护的技术使用者：上海理工大学技术研发日：技术公布日：2024/9/9