摘 要

近年来，工业机器人逐渐走进了大众的视野中，而抓取任务作为工业机器人应用方向中的基础动作，有着广泛的应用前景，同时伴随着机器视觉的快速发展，基于立体视觉的自主抓取方案崭露头角。因而，本文将对基于点云匹配的6Dof识别算法进行深入研究。

首先，本文对获取到的点云图像进行预处理，分析目标所处的复杂环境，采用特定滤波器对噪声进行滤除。接着，对处理后的点云提取适量关键点，并计算特征描述子，用于形成匹配关系。然后，采用霍夫投票算法辨别场景点云中存在的目标实例及其位姿。选取ICP算法进行精配准，并采用假设验证算法进行验证。另一方面，将预设的抓取点映射到场景点云中目标对象上，完成抓取点设计。最后，对各阶段所采用的算法进行实验，并利用拟合度评估最终配准的效果来验证整体识别框架的可行性。

关键字：点云匹配；自主抓取；ICP算法

Abstract

In recent years, industrial robots have gradually entered the public's field of vision, and grasping tasks as a basic action in the application direction of industrial robots have a wide range of application prospects. At the same time, with the development of machine vision, the scheme of autonomous grasping based on stereo vision is emerging. Therefore, this paper will conduct an in-depth study on the 6Dof recognition algorithm based on point cloud matching.

First, this method preprocesses the acquired point cloud, analyzes the complex environment where the target is located, and uses a specific filter to filter any noise. Next, appropriate key points are extracted from the processed point cloud, and feature descriptors are calculated to form a matching relationship. Then, the Hough voting algorithm is used to identify the model instances and their poses existing in the scene point cloud. Perform ICP algorithm for fine registration, And use hypothesis verification algorithm to verify. On the other hand, the preset grab points are mapped to the target objects in the scene point cloud to complete the grab point design. Finally, experiment with the algorithm used in each stage, and use the degree of fit to evaluate the effect of the final registration to verify the feasibility of the overall recognition framework.

Key words: point cloud matching; autonomous crawling; ICP algorithm

目录

第1章 绪论 1

1.1 课题研究背景和意义 1

1.2 国内外研究现状 1

1.3 研究内容和主要结构 3

第2章 点云数据预处理 5

2.1 引言 5

2.2 常用点云滤波算法 5

2.2.1 直通滤波 5

2.2.2 统计学滤波 5

2.2.3 半径滤波 6

2.3 本文处理方式 7

第3章 关键点与特征描述子 8

3.1 引言 8

3.2 关键点检测 8

3.3 特征描述子 8

3.3.1 快速点特征直方图描述子（FPFH） 9

3.3.2 方向直方图特征描述子（SHOT） 11

3.3.3匹配描述子——kd Tree 12

第4章 位姿识别与抓取 14

4.1 引言 14

4.2 霍夫投票算法 14

4.2.1 介绍 14

4.2.2霍夫投票机制 15

4.3 ICP算法 16

4.3.1 介绍 17

4.3.2 ICP原理 17

4.4 假设验证 18

4.5 抓取点映射 21

第5章 实验结果与分析 23

5.1 预处理 23

5.2 关键点提取与匹配 24

5.3 基于霍夫投票和ICP算法的位姿识别 26

5.4 抓取点映射 27

第6章 工作总结与展望 28

参考文献 30

致 谢 32

绪论

课题研究背景和意义

随着时代和社会的发展，科学技术也取得了长足的进步，生产方式上也发生了变革，由传统的人工生产方式逐渐渐变为智能生产方式，工业机器人也开始大量的应用到生产过程中，在提高了生产效率、产品质量的同时，还保障了相关工作人员的人身安全^[1-3]。工业机器人是集多学科于一体的复杂设备，具有高精确性、稳定性等优点。而海内产业机器人的成长由于历史和社会状况等缘由，起步较晚，伴随软硬件技术的不断创新进步，其应用也会越来越广，工业机器人势必成为“中国制造2025”和“工业4.0”的中流砥柱。随着对高水平自动化生产线的需求量逐步增大，机器人也将面临愈来愈复杂的任务及环境，由此也带来了许多待解决的问题，所以这对机器人产业来说是机遇也是挑战。

1.2 国内外研究现状

机器人抓取作为工业机器人应用方向中最常用的基础动作，有着广泛的应用前景。目前，在先阶段工业生产线上，一般是使用离线编程或示教再现的方法进行有序工作，需要添加许多约束条件以及人为干涉才能完成任务，这种工作方式对抓取对象的分类能力以及工作环境的认知能力很低，因此在一定程度上，大大限制了工业机械臂在流水线上的灵活性和工作效率^[4-7]。随着机器视觉带来的浪潮，为机器人装上“眼睛”已经成为了当下的热点之一，基于视觉引导系统的自主抓取正在逐步取代传统的人工辅助抓取，这对于提高工厂生产线的智能化水平，拓宽机器人的应用场景都有着重要的意义^{[4, 8-10]}。机器视觉的引入、自主抓取技术的快速发展，使得机器人能够更广泛的应用于工厂、家居等复杂环境中。发展至今，对于自主抓取，在陌生环境下任意对象的准确抓取仍然是一项具有挑战性的工作，因此，还需要进一步实验研究才能够确保安全高效的应用于实际生产线上。

基于视觉的自主抓取可以概括为三个步骤：检测、规划和控制。从场景中识别目标、获取目标位姿作为第一步，也是完成整个抓取动作的关键之处，一定程度上决定了抓取效果的好坏。物体识别和位姿估计本身就是一个多学科交叉的问题，涉及到如图像处理、机器学习、传感检测、计算机科学等多个学科领域，针对不同的应用场景，利用不同的检测传感器对环境及目标进行感知，往往也会采取不同的识别策略。根据识别策略的不同，大致可以分为三类：基于二维图像的方法、基于三维点云的方法和基于深度学习（回归）的方法^[11]。