面向小曲率曲面的喷涂机器人喷涂轨迹规划中点云法向信息的获取

2.4.1点云法向信息的获取
喷涂机器人通过三维测量设备获取的工件表面点云数据大部分带有空间坐标和法向信息，但是一方面在采集过程中受到各种因素的影响，部分点云会失去部分特征信息;另一方面由于测量设备本身不具体获取点云法向信息功能。因此需要在处理点云数据之前获取点云数据的法向信息。目前点云法向的获取方法主要有主成分分析法(PCA）、最小移动曲面法(MLS)和曲率张量法等。
采用MLS寻找局部参考平面和双变量多项式时运用了非线性优化计算，故计算开销大，经比较后本文选取主成分分析法(PCA)来获取点云的法向信息。

2.4.2点云数据配准
为了得到物体表面完整的点云数据模型，三维扫描仪需要进行多次数据采集工作，而每次采集都在不同坐标系下进行，不同坐标系下得到的点云拼接精度不高，因此需要确定一个合适的坐标变换将不同坐标系下得到的点云数据坐标信息进行变换，变换到同一坐标系下进行拼接，这个过程被称为点云数据的配准。
目前，常用的配准方法有两大类:一是基于样件表面附加特征的配准;二是基于点云内部特征的配准。 在前一节己经通过PCA算法获取了点云的法向信息，因此本文选取基于点云内部特征(点云的曲率、法矢等)方法进行配准，结合PCA初始配准与基于特征点的迭代就近法ICP(IterativeClosestPoint)进行求解。
通过2.4.1节中的分析，取两个相似点云的邻域作为配准基础，求得每个邻域内的质点，然后采用PCA算法求得质点的法向信息并以此质心建立局部参考坐标系，通过坐标变换将其两个局部坐标系变换到同一坐标系下，实现点云的初始配准。
虽然PCA算法实现了点云的初始配准，但是由于多次测量过程中点云模型之间本来就存在着一定的误差，初始配准的精度还不能达到应用的精度。在PCA初始配准的基础上再次采用迭代就近点算法(ICP)，对点云进行迭代实现精确配准，如图2.5所示为ICP迭代过程。

喷涂机器人通过基于特征点的ICP迭代可以求得最优的变换矩阵T。以两个新点集的质心为坐标原点，法向为轴向X建立局部参考坐标系，求得两个参考坐标系之间鱿变换矩阵T。变换矩阵T由一个旋转矩阵R和一个平移矩阵M构成。