.png){kind=icon}
返回
MRG: A multi-instance point cloud registration method for multi-robot digital scene generation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-026-02812-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高保真数字场景生成对于机器人离线编程（OLP）和敏捷制造至关重要。然而，制造和安装误差常导致物理环境与虚拟环境之间的空间差异，降低仿真保真度并需要耗时的人工校准。为解决此问题，本文提出了一种面向多机器人制造场景的多实例点云配准方法，旨在增强虚拟与真实世界之间的几何一致性。首先，提出了一种实例聚焦的Transformer模块，用于处理不同型号机器人所表现出的相似局部几何结构和模糊边界特征的制造场景。该模块有效识别实例边界，并准确建模局部区域间的空间相关性。其次，提出了一种实例假设生成模块，以应对工业对象几何形状的复杂性。综合整合粗略对应关系和邻域掩码矩阵，从而在多实例条件下促进对应关系的均衡分布。最后，提出了一种高效的实例过滤与位姿估计优化算法，通过该算法在保持计算效率的同时实现了多实例位姿变换的精确估计。在实际操作中，自动化校准可减少调试时间和人力成本，支持敏捷制造。在Scan2CAD和Welding-Station数据集上的实验表明，本文方法优于当前先进技术。具体而言，Scan2CAD数据集上的MR和MP分别提升了12.15%和17.79%，Welding-Station数据集上则分别提升了16.95%和24.15%。
Keyword:
Industrial Robots
Geometric scene generation
Point cloud
Multi-instance
Transformer
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
引用论文
A data and knowledge driven autonomous intelligent manufacturing system for intelligent factories面向智能工厂的数据和知识驱动的自主智能制造系统
PREAI
分享收藏SelfVIO: Self-supervised deep monocular Visual-Inertial Odometry and depth estimation.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏RANDOM SAMPLE CONSENSUS - A PARADIGM FOR MODEL-FITTING WITH APPLICATIONS TO IMAGE-ANALYSIS AND AUTOMATED CARTOGRAPHY随机样本共识-模型拟合的范例，可应用于图像分析和自动制图
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容