原創(chuàng) | 文 BFT機(jī)器人

01?摘要

點(diǎn)對(duì)特征(PPF)方法已被證明是一種有效的雜波和遮擋下的姿態(tài)估計(jì)方法。

文章的改進(jìn)方法主要包括:

(1)一種基于奇偶規(guī)則求解封閉幾何的法向的方法;

(2)通過(guò)將體素網(wǎng)格劃分為等效角度單元的有效降采樣方法;

(3)基于擬合點(diǎn)的驗(yàn)證步驟。在真實(shí)雜波數(shù)據(jù)集上對(duì)該方法進(jìn)行了評(píng)估，結(jié)果表明該方法在6D姿態(tài)估計(jì)方面比原PPF方法具有更好的性能和效率。

02??點(diǎn)對(duì)特征（PPF）方法是什么？

PPF方法是一種通過(guò)提取局部特征和投票匹配的方法對(duì)點(diǎn)云中自由曲面三維物體進(jìn)行姿態(tài)估計(jì)的方法。

圖1?點(diǎn)對(duì)特征方法

03??它是如何用于姿態(tài)估計(jì)的？

該算法的核心思想是從模型和場(chǎng)景的點(diǎn)對(duì)中提取由四個(gè)值組成的特征向量。這些特征描述了一對(duì)中兩點(diǎn)之間的相對(duì)位置和方向，從而描述了局部視圖中對(duì)象的表面形狀。

總體而言，對(duì)象的所有點(diǎn)對(duì)所描述的局部特征構(gòu)成了對(duì)象的全局特征。根據(jù)該方法的要求，一對(duì)中的兩點(diǎn)不應(yīng)該是交換的，即特征是不對(duì)稱的。

04??改進(jìn)的方法中的奇偶規(guī)則是什么？

本文提出的改進(jìn)方法包括一種基于奇偶規(guī)則求解閉合幾何法線方向的方法。奇偶規(guī)則是一種基于與曲面相交的邊數(shù)奇偶性來(lái)確定曲面法線方向的方法。

具體來(lái)說(shuō)，它包括計(jì)算與垂直于給定點(diǎn)的平面相交的邊的數(shù)量，并使用此計(jì)數(shù)來(lái)確定法線是指向該點(diǎn)還是遠(yuǎn)離該點(diǎn)。該方法用于求解閉合幾何體的法線方向，以提高6D姿態(tài)估計(jì)的性能和效率。

05??論文中如何提高6D姿態(tài)估計(jì)的性能和效率？

基于擬合點(diǎn)的驗(yàn)證步驟是改進(jìn)的PPF方法中使用的一種方法，用于提高6D姿態(tài)估計(jì)的性能和效率。該步驟包括使用估計(jì)的姿勢(shì)將模型擬合到場(chǎng)景，然后通過(guò)將其與原始點(diǎn)云進(jìn)行比較來(lái)驗(yàn)證擬合。

該方法使用投票方案來(lái)確定最佳姿態(tài)估計(jì)，然后使用迭代最接近點(diǎn)（ICP）算法對(duì)其進(jìn)行細(xì)化。這種方法通過(guò)減少誤報(bào)和提高具有遮擋的雜亂場(chǎng)景的準(zhǔn)確性來(lái)提高性能和效率。

06??論文原理

A.?預(yù)處理

1)正態(tài)估計(jì)

對(duì)于重構(gòu)點(diǎn)云模型或多邊形網(wǎng)格數(shù)據(jù)的輸入數(shù)據(jù)，采用PCA算法計(jì)算法線。針對(duì)Zhao等人[1]也提到的PCA結(jié)果方向模糊的問題，提出了一種基于奇偶規(guī)則的光線投射方法，用于檢測(cè)單位法向量的端點(diǎn)是否位于封閉幾何模型內(nèi)。

為此，檢查從z軸方向的每個(gè)端點(diǎn)的射線與模型表面相交的次數(shù)。如果其中一條與奇數(shù)次相交，則根據(jù)拓?fù)鋵W(xué)，法線應(yīng)該在模型內(nèi)部，應(yīng)該倒轉(zhuǎn)，如圖2所示。對(duì)于場(chǎng)景云，所有法線可以直接統(tǒng)一指向視點(diǎn)。

f (i , j)為最外邊框起始像素的圖像強(qiáng)度。由于像素與點(diǎn)之間的對(duì)應(yīng)關(guān)系，可以獲得圖像中所有分割片段的點(diǎn)云。

圖2 射線鑄造法的原理和效果。(a)偶數(shù)相交的法線(綠色)指向正方向，奇數(shù)相交的法線(紅色)指向反方向。(b)不含光線投射法的PCA算法正態(tài)估計(jì)結(jié)果。(c)射線投射法PCA算法的正態(tài)估計(jì)結(jié)果。

2)下采樣

首先采用RANSAC算法擬合表平面，丟棄平面下(視點(diǎn)對(duì)面)的點(diǎn)。然后分別在訓(xùn)練階段和匹配階段提出了分割體素網(wǎng)格的兩種方法。在訓(xùn)練階段，遵循Joel等人[2]，對(duì)每個(gè)體素單元采用自下而上的分層聚類方法對(duì)法線夾角小于閾值的點(diǎn)進(jìn)行聚類和平均。為了降低復(fù)雜度，考慮過(guò)濾掉元素較少的簇。然而，在匹配階段，迭代和比較的過(guò)程可能會(huì)影響效率。為此，提出了一種角單元法，將整個(gè)球體的實(shí)體角平均劃分為20個(gè)角單元。每個(gè)細(xì)胞由正二十面體的一個(gè)面法線表示(圖4a)。對(duì)于體素單元中的每個(gè)點(diǎn)，比較其法線與20個(gè)代表性法線之間的角度，并考慮最小的一個(gè)作為它所屬的角度單元(圖4b)。這樣大大降低了體素大小的影響，不再是影響算法效率的重要因素。

圖3 一種在體素中對(duì)角度單元進(jìn)行降采樣的有效方法。(a) 20個(gè)angle cells除以一個(gè)正二十面體。每個(gè)cell由二十面體的面法線表示。(b)所有方向法線在球面上的投影。一個(gè)細(xì)胞中法線的投影用相同的顏色表示。

B.?配對(duì)及投票

由為了提高匹配效率，丟棄了非區(qū)分點(diǎn)對(duì)的特征。具體來(lái)說(shuō)，如果點(diǎn)間距離和法線夾角都小于閾值，則對(duì)匹配的影響可能很小。設(shè)置閾值作為量化步長(zhǎng)，可以濾除在量化過(guò)程中損失特征為零的對(duì)。Hinterstoisser等[3]提出，每個(gè)參考點(diǎn)的伴隨點(diǎn)應(yīng)在半徑模型直徑的球內(nèi)，可以通過(guò)Kd-tree算法高效搜索。

然后，遵循Drost等提出的匹配方法和投票方案。在投票后，采用基于密度的帶噪聲應(yīng)用空間聚類(DBSCAN)算法對(duì)場(chǎng)景參考點(diǎn)提出的姿態(tài)進(jìn)行聚類，并根據(jù)投票的總和對(duì)它們進(jìn)行排序。

C.后處理

聚類后，管道輸出一組候選姿勢(shì)，通過(guò)投票評(píng)估，前10%被接受為效率的妥協(xié)。根據(jù)Joel等提出的投影ICP思想，以假設(shè)姿態(tài)渲染模型點(diǎn)，并應(yīng)用Z-buffer算法在場(chǎng)景視點(diǎn)下對(duì)模型云中的可見點(diǎn)進(jìn)行裁剪。然后將高效的ICP算法應(yīng)用于裁剪后的模型。然后，提出了基于擬合點(diǎn)的驗(yàn)證步驟。

使用Kd-tree算法尋找每個(gè)模型點(diǎn)最近的場(chǎng)景點(diǎn)，并考慮與最近場(chǎng)景點(diǎn)的距離在閾值內(nèi)的模型點(diǎn)作為擬合點(diǎn)。如果擬合點(diǎn)占模型總點(diǎn)數(shù)的比例低于閾值，則模型被接受。最后，采用非最大抑制(NMS)算法對(duì)重疊姿態(tài)進(jìn)行濾波。

D.實(shí)驗(yàn)效果

本文提出了一種改進(jìn)的基于點(diǎn)對(duì)特征的點(diǎn)云6D姿態(tài)估計(jì)方法。該方法提出了一種PCA算法中封閉幾何的法向解的方法，并引入了一種通過(guò)將體素網(wǎng)格劃分為等效角度單元的高效采樣方法。

最后，采用ICP的變體、基于擬合點(diǎn)的驗(yàn)證步驟和NMS算法進(jìn)行細(xì)化和驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法具有較高的效率和魯棒性，平均召回率為0.87。

圖4 論文分割效果

標(biāo)題：

6D Pose Estimation from Point Cloud Using an Improved Point Pair Features Method[C]

更多精彩內(nèi)容請(qǐng)關(guān)注公眾號(hào)：BFT機(jī)器人

本文為原創(chuàng)文章，版權(quán)歸BFT機(jī)器人所有，如需轉(zhuǎn)載請(qǐng)與我們聯(lián)系。若您對(duì)該文章內(nèi)容有任何疑問，請(qǐng)與我們聯(lián)系，將及時(shí)回應(yīng)。