基于局部一致性高斯混合模型的机器人检查中的鲁棒点云配准
机器人学
2024-07-25 v1
摘要
在航空部件的机器人检查中，实现对扫描数据与模型数据之间成对点云配准的准确性至关重要。然而，机器人扫描数据生成的噪声和离群值会损害配准准确性。为缓解这一挑战，本文提出了一种基于高斯混合模型(GMM)的概率配准方法，采用局部一致性约束。该方法将配准问题转换为模型拟合问题，通过约束相邻点后验分布之间的相似性来增强配对的鲁棒性。我们采用迭代的方式求解期望最大化算法，以获得最优旋转矩阵和平移向量，同时获取GMM参数。E步和M步都有闭式解。仿真和实际实验确认了该方法的有效性，即使存在噪声和离群值，仍可将根均方误差降低20%。与现有方法相比，所提出的方法在鲁棒性和准确性方面都表现出色。
引用
@article{arxiv.2407.17183,
title = {Robust Point Cloud Registration in Robotic Inspection with Locally Consistent Gaussian Mixture Model},
author = {Lingjie Su and Wei Xu and Wenlong Li},
journal= {arXiv preprint arXiv:2407.17183},
year = {2024}
}
备注
12 pages, 14 figures