
Отсканированное облако точек сначала прореживается с использованием воксельной фильтрации для снижения плотности и подавления шума. Затем применяется Scale-Invariant Feature Transform (SIFT) для извлечения масштабно-инвариантных ключевых точек, и для них вычисляются дескрипторы Fast Point Feature Histograms (FPFH) для представления локальных геометрических признаков. На основе этих признаков ключевых точек выполняется Sample Consensus Initial Alignment (SAC-IA) для глобальной грубой регистрации. Этот алгоритм обеспечивает стабильные начальные соответствия и оценивает начальное преобразование путем поиска случайного консенсуса в пространстве признаков FPFH. После этого Iterative Closest Point (ICP) используется для локальной точной регистрации, итеративно минимизируя расстояние до ближайших точек для получения высокоточной оценки положения. Для повышения устойчивости и сходимости в процесс ICP включаются адаптивное прореживание и нормальные ограничения. Окончательное преобразование получается путем умножения матриц грубой и точной регистрации, обеспечивая высокоточное выравнивание между отсканированным облаком точек и CAD-облаком точек, тем самым обеспечивая надежную основу для оценки положения заготовки и последующего отображения траектории.
Техническая схема архитектуры системы: Автоматическая посадк...