用于密集堆积的工业物体的快速坚固的垃圾箱拾取系统 *

Abstract

提出的系统从点云分割开始，使用改进的基于密度的带噪声应用空间聚类 (DBSCAN) 算法，通过结合区域增长算法以及使用八叉树来加快计算速度进行改进。

I. INTRODUCTION

我们在本文中做出了两个主要贡献:
• 设计了一种改进的基于密度的带噪声的应用空间聚类 (DBSCAN) 分割算法。
• 提出了一种高效且自适应的抓取策略评估功能。

II. OVERVIEW

III. METHODS 

 A.预处理

使用rgb-d相机获得抓取区域的点云后，对点云进行预处理，去除噪声并获得目标物体的点云。

预处理的实现过程如下: • 将深度图像转换为点云。
• 使用直通滤波器提取抓取区域并去除噪声。
• 使用体素网格滤波器进行下采样，即减少点云的数量，但保留原始点云的详细信息。
• 使用RANSAC快速移除点云的平面。

B.改进的DBSCAN分割算法

已有许多点云分割算法，例如区域增长，欧几里得聚类，RANSAC等。但是，对于具有任意姿势和重叠点云的堆积和密集物体，它们并不坚固。

针对这一问题，本文提出了一种改进的DBSCAN算法，用于点云的堆叠和密集对象，将区域增长与DBSCAN相结合，并使用八叉树来提高算法效率。

DBSCAN算法是一种基于密度的简单有效的聚类算法。它可以在没有任何先验知识的情况下寻找任意形状的聚类以及去除噪声 [25]。DBSCAN需要Eps和MinPts2个参数。

首先，DBSCAN通过将群集定义为相邻点位于Eps内的最大点集来评估点密度。其次，MinPts是形成集群的核心点的最小邻居数。边界点包含在其他核心点的Eps邻域中。噪声点是不属于任何簇的点。

假设我的样本集是D=(x1,x2,...,xm),则DBSCAN具体的密度描述定义如下：
(1)ϵ邻域：对于Xj属于D，其ϵ邻域包含样本集D中与Xj距离不大于ϵ的子样本集。即Nϵ(xj)={xi∈D|distance(xi,xj)≤ϵ},子样本集的个数记为|Nϵ(xj)|。

(2)核心对象：对于任一样本xj∈D，如果其ϵ邻域对应的Nϵ(xj)至少包含MinPts个样本，即如果|Nϵ(xj)|≥MinPts|，则xj是核心对象。

(3)密度直达：如果B样本位于A样本的ε-邻域内，则称AB密度直达。如上图，核心对象A圈内的点都和A密度可达。如果xi位于xj的ϵ邻域中，且xj是核心对象，则称xi由xj密度直达。注意反之不一定成立，即此时不能说xj由xi密度直达, 除非且xi也是核心对象。[不对称性]

点p、点q，半径Eps、MinPts

p在q的Eps邻域内；且q的Eps邻域的样本数大于等于MinPts；

对于成对的核心点，可直接达到密度是对称的，但对于一个核心点和一个边界点对则不是对称的。

(4)密度可达：有ABC三个样本，A样本和B样本密度直达，B样本和C样本密度直达，A和C之间不是密度直达，则称A样本和C样本密度可达。[不对称性]

(5)密度相连：有ABC三个样本，如果B样本和AC样本均密度可达，则称A和C密度相连。[满足对称性]

 从下图可以很容易看出理解上述定义，图中MinPts=5，红色的点都是核心对象，因为其ϵ邻域至少有5个样本。黑色的样本是非核心对象。所有核心对象密度直达的样本在以红色核心对象为中心的超球体内，如果不在超球体内，则不能密度直达。图中用绿色箭头连起来的核心对象组成了密度可达的样本序列。在这些密度可达的样本序列的ϵ邻域内所有的样本相互都是密度相连的。

DBSCAN的缺点：
（1）找到邻居点成簇时要花费很多——要加快速度
（2）该算法仅合并核心点的Eps邻域内的点——丢失边界点

改进后的：
（1）使用八叉树查找最近的点。Octree。

八叉树是用来描述三维空间的树。八叉树的每个节点表示一个立方体体积元素，每个节点有八个子节点。当将八叉树用于点云时，3D边界被分为八个八分位，只有当它们在自己内部承载点，直到序列达到给定的阈值深度时，它们才会被递归地进一步细分。在八叉树中，每个深度中只有一个子节点被遍历，每个节点的3D边界通过位置查询是已知的。并且可以有利地检索叶节点以提高索引效率。

（2）结合区域增长算法
首先，区域生长按曲率值对点进行排序，并选择最小曲率值的点作为区域生长的种子。
其次，区域增长算法通过将平面拟合到某个点的邻域以找到表面法线来测量局部几何形状。利用平面拟合的残差，也近似了局部曲率。该方法涉及两个参数 θ th和rth，分别表示曲率阈值和平滑度阈值。根据这两个参数，区域增长的重点是使用点的法线和残差来将具有光滑表面的点分组。【欧几里得聚类和区域增长，分割无法准确分离每个对象的密集和重叠点云，一些噪声无法去除; 对于DBSCAN，分割很好地分离，但丢失了对象的细节和边界; 对于我们的方法，将上述具有相对完整的点云的对象进行分段，并过滤一些底部对象和噪声点云】

DBSCAN通常会导致分段的点云和边界丢失，但是区域生长倾向于从生长的种子中扩展更多的点。为了增强DBSCAN算法解决问题的能力，我们将区域生长方法与DBSCAN算法相结合，可以将DBSCAN簇作为区域生长的种子开始生长。我们不仅将核心点的簇合并为一个，还根据规则将边界点簇合并为核心点簇:

1. 边界点和核心点是直接可密度到达的。
2.  两个点的Eps邻域有最多的共同点。
3. 一个点的法线是用它的邻近点来拟合平面来估计的。两个poft的Eps邻域的曲线特征和法线可以匹配，这意味着两个簇具有相似的表面性质。

过程c：

 （1）输入八叉树深度d，Eps，MinPts，点云数据{P}，点云法线{N}，点云曲率{c}，平滑阈值θth、曲率阈值cth
（2）使用八叉树Octree体素化点云(哪些点云：深度小于d的点云)
（3）使用欧几里得距离，找到八叉树Octree的Eps邻域的每个点
（4）根据MinPts，找到核心点和边界点，排除噪声点
（5）根据定义4合并群集

（6）对于边界点，找到密度直达的核心点
（7）找到核心点(哪些核心点：have most inintersaction)
（8）计算核心点簇和边界点簇的法线和曲率，如果小于cth和 θ th，则将它们合并为新的簇。