Pose-Schätzalgorithmus basierend auf Punktpaarmerkmalen mit PointNet ++

Zusammenfassung Diese Studie schlägt einen innovativen Deep-Learning-Algorithmus zur Pose-Schätzung basierend auf Punktwolken vor, der darauf abzielt, die Herausforderungen der Pose-Schätzung für Objekte zu bewältigen, die von der Umgebung beeinflusst werden. Frühere Forschungen zur Verwendung von Deep Learning für die Pose-Schätzung wurden hauptsächlich unter Verwendung von RGB-D-Daten durchgeführt. Dieses Papier stellt einen Algorithmus vor, der Punktwolkendaten für die posebasierte Berechnung mit Deep Learning nutzt. Der Algorithmus baut auf früheren Arbeiten auf, indem er die PointNet ++-Technologie und den klassischen Point-Pair-Features-Algorithmus integriert und eine genaue Pose-Schätzung für Objekte in verschiedenen Szenenskalen erreicht. Darüber hinaus wird eine adaptive Parameter-Dichte-Clustering-Methode vorgestellt, die für Punktwolken geeignet ist und Cluster in unterschiedlichen Punktwolken-Dichteumgebungen effektiv segmentiert. Dies löst das komplexe Problem der Parameterbestimmung für Dichte-Cluster in verschiedenen Punktwolkenumgebungen und verbessert die Robustheit des Clusterns. Ferner wird der LineMod-Datensatz in einen Punktwolkendatensatz umgewandelt, und es werden Experimente an dem umgewandelten Datensatz durchgeführt, um vielversprechende Ergebnisse mit unserem Algorithmus zu erreichen. Schließlich zeigen Experimente unter starken und schwachen Lichtbedingungen die Robustheit des Algorithmus.