Robust Point Cloud Registration in Robotic Inspection with Locally Consistent Gaussian Mixture Model

要約

航空部品のロボット検査では、スキャン データとモデル データ間の正確なペアごとの点群の登録を達成することが不可欠です。
ただし、ロボットでスキャンしたデータで生成されたノイズや異常値により、位置合わせの精度が損なわれる可能性があります。
この課題を軽減するために、この記事では、ローカル整合性制約を備えたガウス混合モデル (GMM) を利用した確率ベースの登録方法を提案します。
この方法は、位置合わせ問題をモデル フィッティング問題に変換し、隣接する点間の事後分布の類似性を制約して対応のロバスト性を高めます。
GMM パラメータを取得しながら、期待値最大化アルゴリズムを繰り返し使用して、最適な回転行列と平行移動ベクトルを見つけます。
E ステップと M ステップはどちらも閉じた形式の解を持っています。
シミュレーションと実際の実験により、この方法の有効性が確認され、ノイズや外れ値が存在するにもかかわらず、二乗平均平方根誤差が 20% 削減されました。
提案手法は既存手法に比べて堅牢性と精度に優れている。

要約(オリジナル)

In robotic inspection of aviation parts, achieving accurate pairwise point cloud registration between scanned and model data is essential. However, noise and outliers generated in robotic scanned data can compromise registration accuracy. To mitigate this challenge, this article proposes a probability-based registration method utilizing Gaussian Mixture Model (GMM) with local consistency constraint. This method converts the registration problem into a model fitting one, constraining the similarity of posterior distributions between neighboring points to enhance correspondence robustness. We employ the Expectation Maximization algorithm iteratively to find optimal rotation matrix and translation vector while obtaining GMM parameters. Both E-step and M-step have closed-form solutions. Simulation and actual experiments confirm the method’s effectiveness, reducing root mean square error by 20% despite the presence of noise and outliers. The proposed method excels in robustness and accuracy compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google