作者：仲夏夜之星
來源：公眾號 @3D視覺工坊
鏈接：基于投票方式的機器人裝配姿態估計

論文題目：《Voting-Based Pose Estimation for Robotic Assembly Using a 3D Sensor》

這篇文章被發表在2012年的IEEE International Conference on Robotics and Automation上。

摘要：本文提出了一種基于投票的適用于三維傳感器的位姿估計算法，能夠快速代替機器人行業、計算機視覺和游戲應用程序中二維相應的算法。最近研究表明在投票框架中，一對有方向的三維點，即物體表面上的點有其對應的法線可以實現快速和魯棒的位姿估計。盡管定向表面點對于有足夠曲率變化的對象具有辨別能力，但對于許多工業和現實生活中大部分平面的對象來說，它們不夠緊湊和辨別能力強。由于邊緣在二維配準中起關鍵作用，深度不連續性在三維中起關鍵作用。在本文中，我們研究和發展了一組姿態估計算法，以更好地利用這一邊界信息。除了有方向的表面點，我們使用了另外兩個基本元素：有方向的邊界點和邊界線段。實驗表明，這些經過精心選擇的原語編碼的信息更緊湊，從而為廣泛的工業零件提供更高的精度，并使得計算速度更快，本文使用提出的算法和一個3D傳感器來演示了一個實用的機器人撿貨系統。

一、揀貨系統概述

圖1

如上圖左邊所示，展示了撿箱系統的設置。本系統使用一個附在六軸工業機器人手臂上的3D傳感器來估計隨機放置在箱子里的物體的姿態。3D傳感器是基于結構光使用紅外激光，并提供三維數據作為像素的深度圖。3D傳感器相對于機器人手臂進行校準，從而允許使用估計的姿態抓取和挑選對象。右圖為算法流程圖，本系統使用3D傳感器掃描對象的箱子，給定目標物體的三維CAD模型，使用基于投票的算來掃描三維點云對目標物體進行檢測和姿態估計，這提供了多個粗的位姿假設。該系統選擇幾個最優位姿假設，并使用ICP算法的變體對其進行單獨的優化。該算法利用當前位姿估計對CAD模型進行渲染，并通過對渲染模型表面的采樣生成三維點。然后為模型中的每個三維點計算掃描點云中最近的三維點，并利用三維點對應更新姿態估計。改進后的配準誤差由對應場景與模型點之間的平均距離給出，當投票算法計算出的粗位姿不正確，或者由于被其他物體遮擋而丟失部分物體時，配準誤差會很大。如果配準誤差很小，并且機器人手臂能安全地到達估計的姿態，系統就會抓取目標。

二、投票位姿估計

A.點對特征

1）S2S — Surface-to-Surface

2）B2B — Boundary-to-Boundary

3）S2B — Surface-to-Boundary

4）L2L — Line-to-Line

圖2

B.物體表示

C.投票機制

在計算點對特征并構造哈希表結構的基礎上，通過計算場景對特征與一組對應的模型對特征之間的剛體變換，找到提出假設，為了提高搜索效率，本文采用了投票方案，利用局部坐標將投票空間縮減為2D空間。首先，在哈希表中搜索場景點對，其中是來自場景的基元集，并找到對應的模型點對, 然后將點對的參考點對準中間坐標系，如圖3所示。為了完全對齊對，參考點和，應該通過圍繞法線旋轉物體來對齊。計算平面旋轉角度后，局部坐標由參考模型點對與平面旋轉角度定義,到的變換為:

圖3

D．L2L點對的投票機制

圖4

E．位姿聚類

本文采用的是歐式聚類，首先對原始的pose假設按投票數的降序排序，從最高的投票中創建了一個新的集群。如果下一個位姿假設靠近一個已有的簇，則將該假設添加到簇中，簇中心更新為簇內位姿假設的平均值。如果下一個假設不接近任何一個集群，它就會創建一個新的集群。在平移和旋轉過程中，采用固定閾值進行近似測試。平移距離計算和均值化在三維歐幾里得空間中進行，旋轉距離計算和均值化使用四元數表示。聚類后，對聚類按總票數的遞減順序進行排序，總票數決定了估計姿態的置信度。

三、實驗結果

1）合成數據

2）真實數據

論文下載方式

在公眾號「3D視覺工坊」后臺回復「機器人裝配姿態估計」，即可獲得論文下載鏈接。

參考文獻

[1] C. Choi and H. I. Christensen, “Robust 3D visual tracking using particle filtering on the SE(3) group,” in ICRA, 2011.

[2] R. Raskar, K. Tan, R. Feris, J. Yu, and M. Turk, “Non-photorealistic

camera: Depth edge detection and stylized rendering using multi-flash imaging,” ACM Trans. Graphics, vol. 23, pp. 679–688, 2004.

本文僅做學術分享，如有侵權，請聯系刪文。

往期干貨資源：

匯總 | 國內最全的3D視覺學習資源，涉及計算機視覺、SLAM、三維重建、點云處理、姿態估計、深度估計、3D檢測、自動駕駛、深度學習（3D+2D）、圖像處理、立體視覺、結構光等方向！

匯總 | 3D目標檢測（基于點云、雙目、單目）

匯總 | 6D姿態估計算法（基于點云、單目、投票方式）

匯總 | 三維重建算法實戰（單目重建、立體視覺、多視圖幾何）

匯總 | 3D點云后處理算法（匹配、檢索、濾波、識別）

匯總 | SLAM算法（視覺里程計、后端優化、回環檢測）

匯總 | 深度學習&自動駕駛前沿算法研究（檢測、分割、多傳感器融合）

匯總 | 相機標定算法

匯總 | 事件相機原理

匯總 | 結構光經典算法

匯總 | 缺陷檢測常用算法與實戰技巧

總結

以上是生活随笔為你收集整理的mpu9250姿态融合算法_基于投票方式的机器人装配姿态估计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。