[发明专利]一种基于点云数据的工件位姿快速高精度估算方法及装置

说明书

本发明公开一种基于点云的工件位姿估计方法，主要用以解决自动化装配领域，特别是小部件装配领域的工件位姿估计问题。该方法分为点云数据预处理、点云虚拟视图提取和位姿估计，其中位姿估计步骤还包括：基于迭代最近点算法的动态模型，采用粒子滤波算法进行迭代运算，如果达到迭代停止条件，则将有效粒子的位姿以加权均值的方式输出，然后通过求逆运算，计算所述的目标工件相对于相机坐标系下的位姿。本发明还涉及一种装置，其包括存储器和处理器，当所述处理器执行存储器中储存的程序时实现上述方法步骤。

技术领域

本发明涉及机器视觉的物体位姿估计技术领域，具体涉及一种基于点云数据的工件位姿快速高精度估算方法和装置。

背景技术

随着工业机器人技术的发展，越来越多的自动化生产线上采用机器人作业，在机器人自动分拣、自动装配等领域，视觉引导机器人作业越来越重要。传统的视觉引导基于2D图像，而近年来，使用三维扫描设备(如三维激光扫描仪、结构光相机等)获取工件表面的三维点云数据(即工件点云)，并将工件点云和工件CAD模型采样的模板点云进行配准得到两者之间的刚性变换，从而实现工件的位姿估计成为了机器视觉领域的研究热点。利用工件的点云信息做位姿估计，不需要在工件表面粘贴标志点，更高效和接近实际生产场景。

基于点云信息做位姿估计，传统的做法是采用迭代最近点算法(IterativeClosest Point，ICP)及其改进方法。但是其最大的一个缺点就是受初始给定位姿的精度影响，易陷入局部最优。目前解决的办法是采用全局配准加ICP的方法，来尽可能获得精确的位姿。全局位姿配准算法主要基于点云的特征，根据特征点对点云进行点对匹配，根据这些点可以计算点云的初始变换矩阵。描述点云特征的方法有很多，如局部特征描述方法有：SI、3D SC、LSP、PFH、FPFH、USC、SHOT、TriSI、RoPS等；全局的特征描述方法有：VFH、CVFH。除此之外主成分分析PCA也可以获得点云的初始位姿。但是基于点云特征求解初始位姿的方法都有一个问题，就是对于几何特征本来就不丰富的点云，求解效果不佳，因此导致ICP求解的位姿精度不高。

对于基于点云位姿估计问题，目前也有学者通过深度学习的方法进行尝试。通过将点云数据输入到三维的卷积神经网络中，可以直接预测物体的3D位姿。但是基于深度学习的方法，需要使用大量的数据进行训练，目前所见的采用深度学习的方法做基于点云的位姿估计，主要还是采用公开的数据集中的数据，主要针对生活场景下的一些物品的位姿估计，其位姿估计精度太低，并不能满足工业场景下机器人抓取和装配精度需求。同时深度学习的方法，需要消耗较多的时间做训练，并且其计算设备的价格都是极其昂贵的，目前工业界还并不普及。

针对以上传统方法和深度学习的方法存在的问题，如何做到可以应用与机器人抓取和装配精度的位姿估计，成为当前机器视觉领域的研究热点。

发明内容

本发明的技术方案第一方面为一种基于点云数据的工件位姿估算方法，所述方法包括以下步骤：

S1、通过3D传感器获取目标工件的场景点云，并从场景点云中分割出目标工件点云数据，其次，利用预先建模的目标工件CAD模型，转换得到物体模型的点云数据样板；

S2、基于物体模型点云坐标系，在球面上按照预设规则生成多个视点粒子，在每一个视点粒子位置模拟虚拟3D相机对物体模型点云数据进行成像，捕获在该虚拟3D相机视角下的物体模型点云数据样板的可见虚拟点云数据；

S3、基于迭代最近点算法的动态模型，并采用粒子滤波算法，使分割出目标工件点云数据与多个虚拟点云数据进行匹配性迭代运算，如果达到迭代停止条件，则将有效视点粒子的位姿以加权均值的方式输出，然后通过求逆运算，计算所述的目标工件基于该有效视点粒子所关联的相机坐标系的位姿，以作为实际的目标工件位姿的估算结果.

其中所述的迭代停止条件包括以下的任意一种或多种条件：迭代次数大于预设的迭代次数；目标点云与视点粒子形成的3D点云之间的欧式距离均方误差小于预设的阈值；连续三次迭代过程的欧式距离均方误差之间的差值小于设定值。