
Le nuage de points scanné est d'abord sous-échantillonné à l'aide d'un filtrage par grille voxels pour réduire la densité et supprimer le bruit. Par la suite, la Transformée de Caractéristiques Invariantes d'Échelle (SIFT) est employée pour extraire les points clés invariants d'échelle, et leurs descripteurs d'Histogrammes de Caractéristiques Rapides de Points (FPFH) sont calculés pour représenter les caractéristiques géométriques locales. Sur la base de ces caractéristiques de points clés, un Alignement Initial par Consensus d'Échantillons (SAC-IA) est effectué pour un recalage global grossier. Cet algorithme permet d'obtenir des correspondances initiales stables et d'estimer la transformation initiale en recherchant un consensus aléatoire dans l'espace des caractéristiques FPFH. Ensuite, l'algorithme Iterative Closest Point (ICP) est utilisé pour un recalage local fin, minimisant itérativement la distance aux points les plus proches afin d'obtenir une estimation de pose de haute précision. Pour améliorer la robustesse et la convergence, un sous-échantillonnage adaptatif et des contraintes normales sont intégrés au processus ICP. La transformation finale est obtenue en multipliant les matrices de recalage grossier et fin, ce qui permet d'obtenir un alignement de haute précision entre le nuage de points scanné et le nuage de points CAO, fournissant ainsi une base fiable pour l'estimation de la pose de la pièce et le mappage de trajectoire ultérieur.
Diagramme technique d'architecture système : Atterrissage au...