.png){kind=icon}
返回
Improved PCA + ICP algorithm for workpiece point cloud pose estimation
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04154-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统位姿估计算法通常需要手动调整各种阈值进行参数设置以增强算法性能，难以满足无人化和智能化生产的需求。因此，本文重点针对抓取过程中预处理和位姿估计阶段出现的问题进行解决。首先，在获取点云后的预处理阶段，引入了一种自适应半径滤波算法，以解决点云去噪中算法复杂度高和适应性差的问题。为应对针对不同数量或类型的点云设置不同配准阈值的挑战，提出了一种具有自适应阈值的改进PCA + ICP算法，用于鲁棒位姿估计和目标配准。通过在公开数据集和实验室采集数据上的实验验证了所提算法的有效性，实现了0.038 cm和0.031 cm的位姿估计精度、0.98的识别精度以及3.1 s的处理时间。此外，在处理遮挡点云配准时，算法达到了0.027 m的MAD和0.056 m的IQR，表现出较强的整体性能。因此，该方法满足了实际工业过程的时序约束，同时在精度和稳定性方面保持良好表现。
Keyword:
Point cloud processing
Pose estimation
Adaptive threshold
PCA + ICP algorithm
Adaptive radius filtering
期刊
IF:
2.9
论文数:
4.6K
被引数:
6.5K
机构
引用论文
Adaptive Pose Estimation Algorithm Based on Point Pair Feature基于点对特征的自适应位姿估计算法.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Point Cloud Registration Method for Pipeline Workpieces Based on PCA and Improved ICP Algorithms基于PCA和改进ICP算法的管道工件点云配准方法
OAAI
OAAI分享收藏An Improved RANSAC-ICP Method for Registration of SLAM and UAV-LiDAR Point Cloud at Plot ScaleForests
OAAI
ForestsIF0
OAAI分享收藏An Experimental Study of a New Keypoint Matching Algorithm for Automatic Point Cloud RegistrationOAAI
OAAI分享收藏
查看更多内容