Ein verbesserter Algorithmus zur Registrierung großer planarer Punktwolken

Der traditionelle Iterative Closest Point (ICP) Algorithmus leidet oft unter geringer Rechenpräzision und Effizienz in bestimmten Szenarien. Er ist sehr sensitiv gegenüber der ursprünglichen Pose, hat eine geringe Fähigkeit zur Widerstandsfähigkeit gegen Störungen und gerät häufig in lokale Optima. Die genaue Extraktion von Merkpunkten aus teilweise überlappenden Punkten mit schwachen dreidimensionalen Eigenschaften, wie glatten Ebenen oder Oberflächen mit geringer Krümmung, ist mit nur dem traditionellen ICP-Algorithmus zur Registrierung eine Herausforderung. Diese Forschung führt eine „Zuerst Grob, dann Präzise“ Registrierungsstrategie ein. Zunächst wird die Zielposition in komplexen Umgebungen mit einer verbesserten Clusterungsmethode extrahiert, die gleichzeitig die Auswirkungen von Umweltfaktoren und Rauschen auf die Registrierungsgenauigkeit reduziert. Anschließend wird eine verbesserte Methode zur Berechnung von Normalvektoren auf das Fast Point Feature Histogram (FPFH) angewendet, um Merkpunkte zu extrahieren, die Daten für den Sample Consistency Initial Algorithm (SAC-IA) bereitstellen. Schließlich wird ein verbesserter ICP-Algorithmus verwendet, der starke Störungsresistenzfähigkeiten für teilweise überlappende Punktwolken hat, um solche Punktwolken zusammenzuführen. Im experimentellen Abschnitt validieren wir die Machbarkeit und Präzision des vorgeschlagenen Algorithmus, indem wir die Registrierungsresultate mit denen verschiedener Algorithmen vergleichen, wobei sowohl Standard-Punktwolkendatenmodellen als auch tatsächliche Punktwolken aus Kameraaufnahmen verwendet werden.