[发明专利]一种三维点云与三维传感器的神经网络坐标变换方法

说明书

一种三维点云与三维传感器的神经网络坐标变换方法，涉及物体位姿三维感知领域，其特征在于，包含如下具体步骤：步骤1：针对已知物体模型点云进行数据增强处理，得到训练数据集；步骤2：使用设计的神经网络对所述训练数据集进行离线训练，得到训练完成的神经网络训练模型；步骤3：对三维传感器拍摄获得的场景点云进行预处理，得到第一场景点云，采用所述训练完成的神经网络训练模型对所述第一场景点云进行预测，获得预测的位置姿态参数和预测的坐标变换矩阵。通过本发明的实施，能够快速、稳定、高效地基于现有三维传感器扫描的场景点云，得到目标物体的位置和姿态信息。

技术领域

本发明涉及物体位姿三维感知领域，尤其涉及一种三维点云与三维传感器的神经网络坐标变换方法。

背景技术

在工业机器人自动化生产线上，工业机器人需要执行物料的上下料，装配，加工等任务。传统的办法是使用二维工业相机等进行物料的定位。但是利用二维工业相机难以对具有复杂三维几何形状的散乱零部件进行精确定位，因此需要引入环境数据的三维信息。随着现代传感器技术的进步发展，近年来涌现出种类型的三维传感器，能够采集环境中的物体三维点云数据，通过提取这类三维点云信息，可以得到三维环境中物体的完整位置信息，可以应用在各种复杂的三维工业自动化场景中。并且随着算法和硬件效率的提升，利用智能化的计算方法对三维环境中的物体进行识别和定位已经取得一定进展，能够应用在工业自动化场景中，得到生产效率的提升。

采用三维传感器进行环境物料感知的缺点是，由于三维传感器只能采集到场景物体的前半部分点云，会造成部分点云缺失，还有由于三维传感器采集原理而造成的点云噪声的增加和点云分布不均等问题。为了能够从三维传感器采集获得的点云数据中提取出物体的三维位置姿态信息，往往需要从点云数据中提取出各类复杂的特征。如2010年，德国慕尼黑工业大学提出了一种使用点对特征的三维点云坐标变换方法，可以从该特征中得到三维传感器采集的点云中的物体位置姿态信息。但是，由于手工提取点云数据中的各种特征费时费力，且难以得到最优的特征组合，因此，对于点云含有缺失、噪声、分布不均等缺陷无法进行精确的定位计算，造成最终坐标变换的误差波动较大，对各式三维传感器采集获得的点云数据缺陷的适应性不强。

神经网络是人工智能领域的重要研究方向，近年来广泛应用于二维图像、声音、文本等数字信息，进行信息处理，具有适应性强，鲁棒性高等优点。为了从部分缺失的三维点云中获取三维物体的位置和姿态，采用带有分岔支路的神经网络模型对三维传感器采集的点云进行自动特征提取。其中利用分岔支路对有部分缺失、噪声、和分布不均的缺陷场景点云进行坐标变换预测，网络主干路作为点云物体的分类预测。从整个训练过程来看，训练时输入增强后的模型点云数据，输出结果为岔路上的位置和姿态参数，并定义神经网络的训练损失为输出点云与实际点云的位置姿态偏差值与类别偏差值之和。训练完毕后使用场景点云进行输入，并由神经网络分岔支路上输出的位置和姿态参数作为输出的变换坐标，得到三维点云三维传感器间的坐标变换矩阵。

因此，本领域的技术人员致力于开发一种三维点云与三维传感器的神经网络坐标变换方法，能够快速、稳定、高效地基于现有三维传感器扫描的场景点云，得到目标物体的位置和姿态信息。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是在三维传感器采集的环境点云具有部分缺失和含有噪声的情况下，如何快速、稳定地提取物体的三维位置和姿态信息。

为实现上述目的，本发明提供了一种三维点云与三维传感器的神经网络坐标变换方法，包含如下具体步骤：

步骤1：针对已知物体模型点云进行数据增强处理，得到训练数据集；

步骤2：使用设计的神经网络对所述训练数据集进行离线训练，得到训练完成的神经网络训练模型；

步骤3：对三维传感器拍摄获得的场景点云进行预处理，得到第一场景点云，采用所述训练完成的神经网络训练模型对所述第一场景点云进行预测，获得预测的位置姿态参数和预测的坐标变换矩阵。