A method of coordinate transformation between three-dimensional point cloud and three-dimensional sensor based on neural network, which involves the field of three-dimensional perception of object pose, is characterized by the following specific steps: step 1: data enhancement processing for point cloud of known object model to obtain training data set; step 2: off-line training of the training data set with designed neural network to complete the training. Step 3: Pre-process the scene point cloud captured by the three-dimensional sensor and get the first scene point cloud. Predict the first scene point cloud using the neural network training model completed by the training, and obtain the predicted position and attitude parameters and the predicted coordinate transformation matrix. Through the implementation of the present invention, the position and attitude information of the target object can be obtained quickly, stably and efficiently based on the scene point cloud scanned by the existing three-dimensional sensor.
【技术实现步骤摘要】
一种三维点云与三维传感器的神经网络坐标变换方法
本专利技术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。
技术介绍
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 ...
【技术保护点】
1.一种三维点云与三维传感器的神经网络坐标变换方法,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。
【技术特征摘要】
1.一种三维点云与三维传感器的神经网络坐标变换方法,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。2.如权利要求1所述的一种三维点云与三维传感器的神经网络坐标变换方法,其特征在于,所述步骤1包括如下步骤:步骤1.1:采用随机坐标变换法和高斯噪声扰动法,对所述物体模型点云进行变换,得到点云P′;步骤1.2:采用点云网格平面投影法,得到所述点云P′的点云样本;步骤1.3:重复步骤1.1和步骤1.2,得到所述物体模型点云的所述点云P′的点云样本集,通过随机取点降采样的方法,使得所述点云样本集的各个点云样本的点数相同,进而得到所述训练数据集。3.如权利要求2所述的一种三维点云与三维传感器的神经网络坐标变换方法,其特征在于,所述步骤1.1包括如下步骤:步骤1.1.1:使用所述随机坐标变换法对所述物体模型点云进行离线数据增强,根据随机数生成器生成一个七维向量N,所述N包括三维平移向量t和四元数向量q,所述q是由正规化方程处理后的标准旋转四元数向量:式中a、b、c为实数;步骤1.1.2:将所述N作为所述物体模型点云与三维传感器之间的坐标变换关系参数;将所述q经过计算,获得旋转矩阵R:步骤1.1.3:根据所述R和所述t获得坐标变换矩阵T:步骤1.1.4:采用高斯噪声扰动法对所述物体模型点云的每个点添加随机高斯噪声扰动,得到原始点云P,使用矩阵乘法将所述原始点云P:变换成经过坐标变换后的点云P′:4.如权利要求2所述的一种三维点云与三维传感器的神经网络坐标变换方法,其特征在于,所述步骤1.2包括如下步骤:步骤1.2.1:使用点云网格平面投影法,在三维空间中随机生成一个距离点云中心足够远的第一平面,使点云中的所有点处于所述第一平面的一边,所述第一平面的方程:Ax+By+Cz+D=0;步骤1.2.2:使用间隔为1mm的栅格对...
【专利技术属性】
技术研发人员:庄春刚,朱向阳,艾尚宥,池子敬,张波,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。