摘要：针对现有算法忽略点云数据全局单点特征和局部几何特征的深层关系,导致捕获的局部几何信息缺乏鉴别性且难以有效识别复杂形状的问题,提出基于自注意力特征融合组卷积神经网络的三维点云语义分割算法。首先,设计轻量化网络框架的代理点图卷积提取点云局部几何特征,并加入组卷积操作减少计算量和复杂度,以较少的冗余信息增强特征的丰富性;其次,通过Transformer模块进行不同分支间特征信息的交流,使全局特征和局部几何特征相互补偿,增强特征的完备性;然后,将点云底层语义特征与原始点云融合以扩大局部邻域感受野,获得高级上下文语义信息;最后,将特征输入到分割模块完成细粒度语义分割。实验结果表明,该算法在S3DIS数据集和SemanticKITTI数据集上的分割精度分别达到79.3%和56.6%,能够提取三维点云的关键特征信息,网络参数量较少且具有较高的语义分割鲁棒性。

摘要：针对航空行李自动化码放处理需求下构型特征感知能力不足的问题,设计以PointNet++为基准,融入图卷积神经网络和自注意力机制的航空行李特征感知网络模型.在骨干网络的特征抽象层中引入局部空间注意力模块,提取航空行李点云中相邻点的关联空间结构特征,感知区域特征空间的内在联系.通过全局特征聚合模块学习行李点云局部特征间的相关性,自适应聚合航空行李局部特征,形成点云全局上下文信息.利用循环最大池化层回收特征降维中丢弃点的特征,在多个层次上收集航空行李的特征信息,在减少信息冗余的同时,保留强度鲜明的局部、全局特征激活.实验结果表明,航空行李分类的平均精度和整体精度分别为94.68%和96.32%,比PointNet++分别提高了6.53%和5.07%.该网络模型的航空行李特征感知性能优于现有的其他智能算法,能够为航空行李码放空间优化及控制提供准确、可靠、有效的输入.

摘要：随着轨道技术的高速发展,列车安全的主动防护技术在列车行驶的过程中极为重要,例如非接触式障碍物检测系统。然而在真实列车运行的铁路环境中难以采集到带有障碍物的场景,并存在采集实验数据效率低的问题,如图像和点云数据。本文设计了一种具有虚拟激光雷达的轨道列车障碍物检测仿真系统,为轨道列车非接触式障碍物检测的研究提供可靠的实验环境和点云采集传感器。为了精确识别列车前方轨道位置,提出一种基于体素分割和稀疏卷积算子构建点云语义分割网络识别轨道点云的方法。基于最小二乘法拟合离散的轨道点云获得连续的安全行车区域,并且基于平面分割和点云聚类确定了障碍物的三维位置。通过采集仿真环境中3种轨道场景的点云,制作数据集用于训练网络模型,并通过采集带有障碍物场景的点云测试所提出的障碍物检测方法。实验结果验证了仿真系统可行性以及障碍物检测算法的有效性。

摘要：为解决机器人自主抓取领域中,抓取区域内存在明显遮挡且相互堆叠现象导致的抓取成功率不高的问题,提出一种多视角下基于深度强化学习的“抓取”和“推动”协同抓取策略。该策略利用基于RGB-D相机获取的三维点云作为状态输入,通过两个深度Q网络算法分别拟合抓取和推动策略,并通过奖励函数的合理设计,学习抓取和推动的相互配合,旨在用推动动作改变物体的分布,为抓取提供有利条件。在此基础上,针对抓取动作空间的复杂性导致算法抓取成功率不高的问题,提出了一种基于法线掩码的动作空间优化策略,通过基于估计法线的先验知识对抓取和推动动作的探索空间进行限制,从而提升了算法的性能。最后,利用UR5机器人在真实世界中进行协同抓取策略实验,验证了所提出协同抓取策略的有效性。

摘要：目的语义实例重建是机器人理解现实世界的一个重要问题。虽然近年来取得了很多进展,但重建性能易受遮挡和噪声的影响。特别地,现有方法忽视了物体的先验几何属性,同时忽视了物体的关键细节信息,导致重建的网格模型粗糙,精度较低。针对这种问题,提出了一种几何属性引导的语义实例重建算法。方法首先,通过目标检测器获取检测框参数,并对每个目标实例进行检测框盒采样,从而获得场景中对应的残缺局部点云。然后,通过编码器端的特征嵌入层和Transformer层提取物体丰富且关键的细节几何信息,以获取对应的局部特征,同时利用物体的先验语义信息来帮助算法更快地逼近目标形状。最后,本文设计了一种特征转换器以对齐物体全局特征,并将其与前述局部特征融合送入形状生成模块,进行物体网格重建。结果在真实数据集ScanNet v2上,本文算法与现有最新方法进行了全面的性能比较,实验结果证明了本文算法的有效性。与性能排名第2的RfD-Net相比,本算法的实例重建指标提升了8%。此外,本文开展了详尽的消融实验以验证算法中各个模块的有效性。结论本文所提出的几何属性引导的语义实例重建算法,更好地利用了物体的几何属性信息,使得重建结果更为精细、准确。

摘要：在集装箱船验收过程中,集装箱船装载绑扎系统关键绑扎特征的精度验收具有重大意义,其位置直接影响集装箱堆叠精度和绑扎杆能否成功绑扎。目前采用的验收方法依赖于人工,需要在每一舱位放置集装箱绑扎试验工装进行验证,关键绑扎特征数目众多,因此工作量大、耗时长且测量不便。文章提出一种基于大场景三维点云的关键绑扎特征识别方法,根据设计图纸对大场景点云预处理,自动提取特征可能所在的范围;采用点云匹配方法识别绑扎特征位置,根据识别结果在混合现实环境中进行特征重建。文章用实际点云数据验证了识别结果与实际结果的一致性,可实现集装箱船关键绑扎特征的特征重建。

摘要：目的研究叶片类零件精密测量、逆向与误差评定方法,为该类零件的精密加工提供数字化误差分布模型。方法针对接触式测头存在的空间径向偏置问题,基于四点标定法,建立空间数学模型,完成工具中心点(TCP)的标定;针对叶片点云分布散乱、无序等问题,提出基于多级B样条插值方法,进行叶片三维点云的曲面重建;最后基于迭代法,对叶片误差进行精确评定。结果对测量所得叶片点云,基于多级B样条与控制网格差异化细分的重建算法可以重建出高保真的连续曲面;误差评定算法可以完成测量结果与设计模型之间不小于0.01 mm的误差计算并得到分层分区的误差可视化云图。结论机器人接触式测量系统可以对叶片类复杂曲面完成高精度测量,采用基于B样条的三维重建算法可以快速的重建出叶片三维曲面;笔者提出的误差评定算法可以进行高精度叶片点云的误差计算,其分层分区结果对于叶片抛磨精加工阶段具有指导意义。

摘要：堆石坝压实质量的检测是大坝工程安全稳定运行的重要保障措施之一。传统的灌水法中检测坑体积的测量耗时耗力,利用三维激光扫描技术可以快速计算检测坑体积,提高压实质量检测效率,而从扫描点云数据精确提取出检测坑点云数据是确保该方法计算精度的关键环节。本文提出了一种基于点云切片分割的堆石坝检测坑点云提取方法:首先对点云数据进行切片处理,然后采用单向搜索排序方法对每个切片点集进行点排序,最后采用一种基于切片点集排序序号的聚类分割方法分割每个点云切片,从而精确提取出检测坑表面点云。利用MATLAB编程实现了基于点云切片分割的堆石坝检测坑点云的快速提取,并通过堆石坝检测坑点云数据开展试验,验证了该方法的有效性。

摘要：堆叠物体检测算法是机械臂在物流场景下实现货物自主分拣的关键感知技术,主要难点是如何在环境复杂、高度非结构化的工况中准确而高效的识别出待分拣物体,并得到其三维位姿。常用方法中,传统区域生长算法在高曲率部分表现欠佳,考虑特征较少,造成分割准确率较低,LCCP算法容易导致欠分割且时间效率较低。为了解决以上问题,提出了一种基于三维点云的堆叠箱式物体位姿检测算法。首先对数据采取降采样、离群点移除等预处理手段;然后建立点云K-D树并计算点云特征,基于改进区域生长的方法,结合邻域投票策略,进行平面提取;之后并行化实现平面再处理的过程;最后分析平面间的相邻性和凹凸性,进行物体提取并拟合三维包围盒,得到其三维位姿。实验结果表明该算法准确度较高、速度较快,具有一定的实际应用价值。

摘要：焊装夹具是汽车白车身焊接生产线中重要的组成部分,有效的管理和归纳焊装夹具零件设计数模能够显著提高设计效率。将原始设计数模离散为点云,利用点云数据和PointNet++深度学习网络探讨了一种焊装夹具零件智能分类方法,并对比各模型的分类精度,选取运行效率和精度最高的单尺度分组(SSG)模型完成焊装夹具零件的分类。训练结果表明,该方法在验证集上的准确率为97.5%,型块、连接块、定位销、销座、支座的验证集类内准确率分别为92.5%、97.5%、100%、97.5%和100%。这些结果表明该方法具有较高的识别精度,能够满足焊装夹具零件分类的精度要求。