点云数据模型生成方法、装置、计算设备及存储介质制造方法及图纸

本发明专利技术公开了一种点云数据模型生成方法、装置、计算设备及存储介质，方法包括：获取目标物体的点云输入数据；将所述点云输入数据输入点云上采样网络模型进行处理，以生成点云数据模型，以便根据所述点云数据模型抓取所述目标物体；其中，所述点云上采样网络模型包括依次耦接的特征提取模块、上采样模块和坐标重建模块，所述上采样模块包中包括自注意力机制模块。根据本发明专利技术的技术方案，生成的点云数据模型异常值更少、模型轮廓特征更明显。模型轮廓特征更明显。模型轮廓特征更明显。

【技术实现步骤摘要】
点云数据模型生成方法、装置、计算设备及存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种点云数据模型生成方法、装置、计算设备及存储介质。

技术介绍

[0002]机器人抓取是机器人应用中操作物体的基本动作，相比于手指坚硬的机械手，软体抓手对驱动和感知的不确定性具有很强的内在鲁棒性。软体抓手是一种模仿动物触角或触手的机械臂，其抓取策略是根据抓取位置、抓取姿态和抓取力度等参数来完成抓取任务。
[0003]对未知物体模型进行识别和定位，并计算合适的抓取接触点是软体抓手抓取策略的重要步骤。相对于三维点云信息，二维图像信息缺乏物体的深度信息，无法精确识别物体的类型、形状和尺寸等特性。
[0004]三维点云上采样是指增加点云数据中点的密度或者将点云中的稀疏区域插值为密集区域的过程。基于先验知识经验的点云上采样方法，通常是利用一些传统的插值技术在点云中进行插值，方法简单，计算迅速，但存在对于稀疏区域上采样效果不佳、难以处理复杂形状、高度依赖先验条件和经验化假设条件等问题。
[0005]现有的基于深度学习的点云上采样技术，主要包括基于PointNet++的数据驱动上采样网络PU
‑
Net、渐进式的点云上采样网络MPU、以及使用深度图卷积进行点云上采样网络PU
‑
GCN等。这些点云上采样方案具有适应复杂形状能力强、对噪声和不规则采样的鲁棒性高等优点，但仍存在异常值多、模型轮廓特征不明显等问题需要解决。
[0006]另外，软体抓手的抓取策略，需要在相机可视范围内对任何位姿的物体进行精确定位，以及，自动改变相关参数以自适应抓取不同尺寸的物体。现阶段，对于软体抓手的抓取策略，通常是从改变抓手结构、使用软传感器等方面进行优化，软体抓手的自适应性不够，尤其在智能抓取方面还需要进一步优化。
[0007]为此，需要一种点云数据模型生成方法，以解决上述技术方案中存在的问题。

技术实现思路

[0008]为此，本专利技术提供一种点云数据模型生成方法和点云数据模型生成装置，以解决或至少缓解上面存在的问题。
[0009]根据本专利技术的一个方面，提供一种点云数据模型生成方法，在计算设备中执行，包括：获取目标物体的点云输入数据；将所述点云输入数据输入点云上采样网络模型进行处理，以生成点云数据模型，以便根据所述点云数据模型抓取所述目标物体；其中，所述点云上采样网络模型包括依次耦接的特征提取模块、上采样模块和坐标重建模块，所述上采样模块包中包括自注意力机制模块。
[0010]可选地，在根据本专利技术的点云数据模型生成方法中，将所述点云输入数据输入点云上采样网络模型进行处理，包括：通过所述特征提取模块，提取所述点云输入数据的特征并进行处理，得到高维点云特征；通过上采样模块，基于预定上采样倍数对所述高维点云特
征进行扩展，以得到扩展高维点云特征；通过所述自注意力机制模块，对所述扩展高维点云特征进行处理，得到加权点云特征，并将所述扩展高维点云特征与所述加权点云特征进行相加，得到上采样输出特征；通过坐标重建模块，对所述上采样输出特征进行重建，以生成所述点云数据模型。
[0011]可选地，在根据本专利技术的点云数据模型生成方法中，所述特征提取模块包括：瓶颈层，适于对所述点云输入数据进行压缩处理，得到压缩点云特征；三个不同膨胀速率的密集连接层，分别与所述瓶颈层耦接，适于从所述压缩点云特征中提取三种局部特征；全局池化层，与每个所述密集连接层耦接，适于提取所述点云输入数据的全局特征，并将所述全局特征与所述三种局部特征进行拼接，得到高维点云特征。
[0012]可选地，在根据本专利技术的点云数据模型生成方法中，所述自注意力机制模块包括第一感知机、第二感知机和第三感知机；通过所述自注意力机制模块，对所述扩展高维点云特征进行处理，得到加权点云特征，包括：通过所述第一感知机、所述第二感知机分别将所述扩展高维点云特征转换为第一点云特征、第二点云特征，并计算所述第一点云特征和第二点云特征的注意权值；通过所述第三感知机从所述扩展高维点云特征中提取第三点云特征；基于所述注意权值和所述第三点云特征计算加权点云特征。
[0013]可选地，在根据本专利技术的点云数据模型生成方法中，还包括：基于PU
‑
GCN网络模型生成PU
‑
GCN
‑
MS网络模型，并基于训练数据集对所述PU
‑
GCN
‑
MS网络模型进行训练，以生成所述点云上采样网络模型。
[0014]可选地，在根据本专利技术的点云数据模型生成方法中，获取目标物体的点云输入数据，包括：获取深度相机采集目标物体的初始点云；基于所述初始点云获取点云输入数据。
[0015]可选地，在根据本专利技术的点云数据模型生成方法中，基于所述初始点云获取点云输入数据，包括：对所述初始点云进行裁剪处理，以得到目标物体所在的目标区域；对所述目标区域进行点云分割处理，以得到目标物体的目标点云；对所述目标点云进行滤波处理，以去除噪声和离群点，得到所述点云输入数据。
[0016]可选地，在根据本专利技术的点云数据模型生成方法中，在获取深度相机采集目标物体的初始点云之前，包括：对所述深度相机进行内参标定和手眼标定，以确定所述深度相机的内部参数并进行畸变矫正处理。
[0017]可选地，在根据本专利技术的点云数据模型生成方法中，所述点云数据模型为三维点云数据模型。
[0018]根据本专利技术的一个方面，提供一种点云数据模型生成装置，驻留在计算设备中，包括：获取单元，适于获取目标物体的点云输入数据；处理单元，适于将所述点云输入数据输入点云上采样网络模型进行处理，以生成点云数据模型，以便根据所述点云数据模型抓取所述目标物体；其中，所述点云上采样网络模型包括依次耦接的特征提取模块、上采样模块和坐标重建模块，所述上采样模块包中包括自注意力机制模块。
[0019]根据本专利技术的一个方面，提供一种计算设备，包括：至少一个处理器；存储器，存储有程序指令，其中，程序指令被配置为适于由上述至少一个处理器执行，所述程序指令包括用于执行如上所述的点云数据模型生成方法的指令。
[0020]根据本专利技术的一个方面，提供一种存储有程序指令的可读存储介质，当该程序指令被计算设备读取并执行时，使得该计算设备执行如上所述的点云数据模型生成方法。
[0021]根据本专利技术的技术方案，提供了一种点云数据模型生成方法，通过将点云输入数据输入点云上采样网络模型进行处理来生成点云数据模型。其中，根据本专利技术的点云上采样网络模型，特征提取模块中增加了一个密集连接层，利用三个不同膨胀速率的密集连接层可以在不降低空间分辨率的情况下提取更多的局部特征，而且，全局池化层是对未经过压缩处理的“点云输入数据”进行的全局特征提取，可以提取更全面的全局特征。通过将全局特征与更多的局部特征进行拼接，能实现多尺度特征提取。并且，上采样模块中引入了自注意力机制模块，可以将扩展高维点云特征与经自注意力机制模块计算得到的加权点云特征进行相加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云数据模型生成方法，在计算设备中执行，包括：获取目标物体的点云输入数据；将所述点云输入数据输入点云上采样网络模型进行处理，以生成点云数据模型，以便根据所述点云数据模型抓取所述目标物体；其中，所述点云上采样网络模型包括依次耦接的特征提取模块、上采样模块和坐标重建模块，所述上采样模块包中包括自注意力机制模块。2.如权利要求1所述的方法，其中，将所述点云输入数据输入点云上采样网络模型进行处理，包括：通过所述特征提取模块，提取所述点云输入数据的特征并进行处理，得到高维点云特征；通过上采样模块，基于预定上采样倍数对所述高维点云特征进行扩展，以得到扩展高维点云特征；通过所述自注意力机制模块，对所述扩展高维点云特征进行处理，得到加权点云特征，并将所述扩展高维点云特征与所述加权点云特征进行相加，得到上采样输出特征；通过坐标重建模块，对所述上采样输出特征进行重建，以生成所述点云数据模型。3.如权利要求2所述的方法，其中，所述特征提取模块包括：瓶颈层，适于对所述点云输入数据进行压缩处理，得到压缩点云特征；三个不同膨胀速率的密集连接层，分别与所述瓶颈层耦接，适于从所述压缩点云特征中提取三种局部特征；全局池化层，与每个所述密集连接层耦接，适于提取所述点云输入数据的全局特征，并将所述全局特征与所述三种局部特征进行拼接，得到高维点云特征。4.如权利要求2或3所述的方法，其中，所述自注意力机制模块包括第一感知机、第二感知机和第三感知机；通过所述自注意力机制模块，对所述扩展高维点云特征进行处理，得到加权点云特征，包括：通过所述第一感知机、所述第二感知机分别将所述扩展高维点云特征转换为第一点云特征、第二点云特征，并计算所述第一点云特征和第二点云特征的注意权值；通过所述第三感知机从所述扩展高维点云特征中提取第三点云特征；基于所述注意权值和所述第三点云特征计算加权...

【专利技术属性】
技术研发人员：陈宁，马南坤，刘坚，李蓉，周星，
申请(专利权)人：湖南大学，
类型：发明
国别省市：