论文总结（三）基于点云配准的位姿估计

说明：本文是对上次论文的第五章做以总结。

论文出处：基于视觉引导的机械臂定位抓取研究与实现-刘继宗（知网可查）

目录

1.点云配准

2.场景目标与模板库点云配准

2.1 SAC-IA粗配准

2.2ICP精配准

3.基于GPD算法的物体抓取姿态检测

3.1GPD算法原理

3.2物体抓取姿态检测实验

---

说明：以下内容为原论文作者所有

1.点云配准

点云配准就是将不同视图的点云数据与一个完整模型进行对齐操作的过程，进行点云配准的目的就是找到这些不同视图在全局坐标系中的相对位置和方向，然后完美地重合这些视图的相交区域。

文中采用3种方法进行粗配准并做一比较，在三种粗配准方案中算法耗时依次为:PFH> FPFH> NDT,求解的变换矩阵精度依次为：FPFH>PFH>NDT，然后进行了ICP细配准。

2.场景目标与模板库点云配准

2.1 SAC-IA粗配准

具体实现步骤如下：

1.分别计算模板和候选目标物体的法线；

2.分别计算模板和候选目标物体的特征描述子 FPFH；

3.最后执行采样一致性初始对齐算法 SAC-IA(Sample Consensus Initial Aligment)，实现点云配准。

当上述的罚函数的数值最小时，得到的变换矩阵就是SAC-IA算法的最终结果，但是这个最终结果并不精确，所以利用该算法进行配准只属于粗配准，因此下一步要使用 ICP 算法进行优化。

2.2ICP精配准

该算法的原理是近似地去重合两个要进行匹配的点云，通过连续的点云对齐操作去优化配准结果。

算法流程如下：

 

 

 

3.基于GPD算法的物体抓取姿态检测

3.1GPD算法原理

流程：

 

3.2物体抓取姿态检测实验

1.为点云文件生成抓取位姿

作者选用了两个不同形状的点云文件，圆柱体形状的点云和长方体形状的点云。

 

2．使用深度相机检测抓取位姿

具体实验流程为：首先将小觅双目相机连接至电脑，然后启动小觅深度相机的驱动程序，最后运行GPD算法，在ROS自带的图形化工具Rviz中订阅/detect_grasp/grasp 话题，抓取位姿在Rviz中的可视化效果图如图(a)所示，抓取位姿的实验数据如图(b)所示。此时的抓取位姿为：位置(x=0.121633,y=-0.11605,z=0.79929)，方向(x=0.62224,y=0.10284,z=-0.76244)。