机器人在线 > 资讯 > 技术干货 > 焊接机器人基于点间法向量变化提取特征点的算法

焊接机器人基于点间法向量变化提取特征点的算法

时间：2017-07-21 来源：机器人在线阅读：8854 原创

参数介绍

焊接机器人基于点间法向量变化的提取算法综合考虑了数据点邻域内点的个数、数据点的法向量与领域点法向量夹角来求取特征点。定义一个特征参数，根据焊件坡口的角度确定一个阂值，小于这个阂值的点判定为特征点。下面将分别介绍数据点邻域、法向量和点间法向量夹角。

4.3 .1，1数据点邻域

数据点邻域通常可以采用欧式距离拼口k邻域。对于规则采样表面，两者都适用。对于不规则的采样表面，在欧式距离。所构成的球内可能包含的数据点个数不均匀，如图4-4(a)所示。而k邻域所求的是与该点空间距离最近的k个点，这k个点只与该点有关，与邻域内其他点的邻域无关，且这k个点构造的局部邻域具有线性复杂度，如图4-4(b)所示。

4.3.1.2法向量

焊接机器人法向量是物体三维点云数据模型中很重要的几何属性，在很多点云数据的处理过程中，必须要求取法向量，比如点云表面重建等。本文用三维扫描设备采集的焊件点云信息只包含表面点云的三维坐标，不存在法向量和任何拓扑关系。在进一步处理前要计算各个采样点的法向量。

目前基于点云法矢的方法大致可以分为三类:基于鲁棒统计的方法，基于Delaunay/Vronoi的方法和基于局部表面拟合的方法。

基于鲁邦统计的方法(RMLS )是对移动最小二乘法MLS的改进，它将目标定位于如何有效处理点云中的尖锐特征和噪声点。这种算法将数据点的领域点分为多个区域，在各个区域中进行MLS投影，是目前比较精确的法向量估计方法。但是进行MLS投影，需要进行大量计算，不太适用到大规模的点云数据处理中。

基于Delaunay/Voronoi的方法首先要对点云构建Voronoi图，并对它进行Delaunay划分。若数据点处于凸壳上，则该点法向量为凸壳面上的平均法向量方向上位于凸壳外侧无穷远处某点与该点的连线。若该点处于凸壳内，则该点法向量为构建的Voronoi图中离该点最远点与该点的连线。但是这种方法不能应用于有噪声点的点云模型。

基于局部表面拟合的方法前提是假设点云的采样平面均光滑。因此，可以用平面来拟合采样点的局部邻域。对于点云中任意一点，用k邻近算法可以求得k个邻近点，用最小二乘法可以拟合局部平面E。 E可以用式(4-1)表示: