
Die gescannte Punktwolke wird zunächst durch Voxelgitterfilterung reduziert, um die Dichte zu verringern und Rauschen zu unterdrücken. Anschließend wird Scale-Invariant Feature Transform (SIFT) verwendet, um skaleninvariante Schlüsselpunkte zu extrahieren, und deren Fast Point Feature Histograms (FPFH)-Deskriptoren werden berechnet, um lokale geometrische Merkmale darzustellen. Basierend auf diesen Schlüsselpunktmerkmalen wird Sample Consensus Initial Alignment (SAC-IA) für die globale Grobregistrierung durchgeführt. Dieser Algorithmus erzielt stabile anfängliche Korrespondenzen und schätzt die anfängliche Transformation, indem er zufälligen Konsens innerhalb des FPFH-Merkmalsraums sucht. Im Anschluss daran wird Iterative Closest Point (ICP) für die lokale Feinregistrierung verwendet, wobei iterativ der Abstand zu den nächsten Punkten minimiert wird, um eine hochpräzise Pose-Schätzung zu erhalten. Um die Robustheit und Konvergenz zu verbessern, werden adaptive Downsampling- und Normalkontraints in den ICP-Prozess integriert. Die endgültige Transformation wird durch Multiplikation der Grob- und Feinregistrierungsmatrizen erhalten, wodurch eine hochpräzise Ausrichtung zwischen der gescannten Punktwolke und der CAD-Punktwolke erreicht wird, was eine zuverlässige Grundlage für die Werkstückpose-Schätzung und die anschließende Pfadplanung bietet.
Technische Systemarchitekturdiagramm: Automatisches Landeflu...