
A nuvem de pontos escaneada é primeiramente subamostrada usando filtragem de grade voxel para reduzir a densidade e suprimir o ruído. Subsequentemente, a Transformada de Características Invariantes à Escala (SIFT) é empregada para extrair pontos-chave invariantes à escala, e seus descritores de Histogramas de Características de Pontos Rápidos (FPFH) são computados para representar características geométricas locais. Com base nessas características dos pontos-chave, o Alinhamento Inicial por Consenso Amostral (SAC-IA) é realizado para o registro global grosseiro. Este algoritmo alcança correspondências iniciais estáveis e estima a transformação inicial buscando consenso aleatório dentro do espaço de características FPFH. Em seguida, o Ponto Mais Próximo Iterativo (ICP) é usado para o registro fino local, minimizando iterativamente a distância até os pontos mais próximos para obter uma estimativa de pose de alta precisão. Para aumentar a robustez e a convergência, a subamostragem adaptativa e as restrições normais são incorporadas ao processo ICP. A transformação final é obtida multiplicando as matrizes de registro grosseiro e fino, alcançando um alinhamento de alta precisão entre a nuvem de pontos escaneada e a nuvem de pontos CAD, fornecendo assim uma base confiável para a estimativa da pose da peça de trabalho e o mapeamento de caminho subsequente.
Diagrama técnico da arquitetura do sistema: Aeronave de pous...