1 引言
1.1 研究背景及意义
近年来，我国制造业高速发展的同时也面临着人口老龄化和劳动力不足等一系列问题，运用工业机器人可以有效解决这些问题，从而将工人从重复单调、危险繁重的工作中解放出来。传统的上下料工作，大多依赖于人工的检测和分类，浪费劳动力资源和企业生产成本。借助机器臂完成的操作，大都不具备对物体的感知能力，需依靠操作人员对特定物体在特定区域的固定坐标选取角度，而不能够根据物体的变化而自动调整抓取角度，复用性较差。随着工业环境的不断变化、自动化生产要求的提高以及单个零件固定轨迹抓取方式逐渐复杂化为多零件随机摆放抓取，都给获取零件位姿带来了极大的挑战。
Bin-picking[1]成为了机器视觉领域的热门方向，其核心内容为视觉检测，而视觉检测首先需要分析载物台中的零件，获取单个零件位姿，从而进行路径规划，最后完成抓取任务。其中，位姿获取是抓取中最为关键的一步。在工业场景中，零件图像易受自身形状、摆放位置和环境光照等因素影响，使得图片成像质量不高。若再采用传统基于二维图像的特征提取算法，则易出现特征泛化能力较弱等问题，导致后期抓取工作准确性不高。而点云数据的采集具有不受光照、角度和表面纹理等因素影响的优势，因此研究人员开始将 3D 点云技术应用于智能抓取中，随后各大高校、研究所和公司也纷纷推出了自己的视觉系统解决方案，如图 1.1 所示。这些解决方案虽然可以解决大多数的智能装配问题，但价格却让多数中小企业难以接受。随着 Kinect 和 Realsense 等深度传感器价格的廉价化，极大降低了视觉系统的研发成本，一款廉价而高效的视觉检测系统对于企业提高生产效率和降低生产成本有重大意义。
随着工业环境的日益复杂化，生产线上的工件种类多样、摆放位置无序，这些情况都对自动化装备所需的实时性和准确性带来挑战。研究如何在众多零件中精准快速获取单个零件的位姿，对于 Bin-picking 系统至关重要。
.................................
1.2 国内外研究现状分析
机器人是人类 20 世纪一项改变世界的发明，第一台工业机器人诞生于 1959 年，由美国工程师乔治·德沃尔和物理学家约瑟·英格伯格共同发明，命名为 Unimate，代表着万能自动。德国库卡公司在 1973 年将其使用的 Unimate 机器人改装研发成第一台机电驱动的 6轴机器人，命名为 Famulus，同年 Shirai 和 Inoue 第一次将相机固定在机器人上，利用相机识别目标物的位置，指导机器人进行抓取[2]。1979 年开启了智能机器人的发展阶段，Hill 和Park 进行技术的革新，利用相机对目标零件进行动态识别，形成了视觉检测系统，实时进行抓取任务[3]。自此，国外许多机器人公司开始纷纷研发先进的抓取系统，如瑞典 ABB 公司将机器手臂、软件平台和硬件设施进行高度集成，研发了 TRUE VIEW Bin-picking 系统[4]。日本发那科公司结合 3D Area Sensor 立体视觉系统研发了散乱零件拾取系统，可以自动在短时间内识别多个零件[5]。而我国的机器人研发起步较晚，1972 年中国科学院沈阳自动化所才率先开始对机器人展开了研究，到如今多家公司都拥有较为先进的视觉解决方案，如沈阳新松机器人公司[6]，北京的大恒图像，但在一些核心技术上并未取得突破，难以形成自主产权。近几年，随着智能制造 2025 国家战略的实施，关于智能抓取的自主研究也有了飞速的发展，哈尔滨工业大学佐立营[7]和龚学健[8]等人优化了零件抓取流程和位姿获取方法，将抓取的流程分为点云的采集、预处理、分割和配准，最后进行路径规划抓取。除了路径规划以外，所有的操作都是直接针对点云进行的，因此，点云处理质量将极大地影响位姿获取的精度。
在计算机视觉和遥感技术中，获取点云的方法主要分为四种：图像导出法、激光雷达系统、深度相机和合成孔径雷达系统。不同方式获取的点云的数据特征和应用范围都存在一定差距。图像导出法主要从光谱图像中间接获取点云，首先通过光电系统获取图像，然后根据视觉理论原理，自动算出三维点信息[9-10]。激光雷达获取点云是一种测绘遥感技术，利用激光能量测量传感器与被测物体之间的距离生成点云，多用于植被、水体[11]和无人驾驶等方面的测量。在测量距离方面，深度相机与激光雷达原理相似，但深度相机是以像素为单位，并且深度传感器相较于激光雷达系统更为廉价。按照工作原理可将深度传感器分为三类：结构光[12]、立体声[13]和飞行时间[14]。其中，结构光应用最为广泛，基于已知的相机中心点位置，可计算出深度图中每个像素的三维空间坐标，直接生成点云数据。合成孔径雷达系统是一种对遥感来说至关重要的雷达技术，并在最近几年彰显了它的科研价值[15-19]，运用多张图像的对比生成地表变形图或数字高程图。合成孔径雷达层析成像和永久散射干涉测量是合成孔径雷达系统生成点云的两种主要技术[20-21]，多用于测量城市群、建筑等，有望在未来发挥更显著的作用。
................................
2 相关技术理论综述
2.1 点云获取原理
Bin-picking 流程中最初始的步骤为点云的获取，点云获取的精度将直接影响零件识别最终的配准结果，因此选取合适的设备采集目标点云数据是非常重要的。
2.1.1 三维点云数据
点云数据的实质是在同一空间下三维坐标点的集合，描述物体表面细节信息和空间排布。通过深度传感设备对零件数据进行扫描，得到物体的几何三维离散点，利用点的空间坐标表示物体的表面特征。随着传感器的不断升级改进，点云数据不仅包含了物体的三维空间坐标，还能表示颜色和反射强度等信息。其中，点云的颜色与相机所拍摄的图片像素RGB 信息相对应，反射强度为扫描仪设备接收到的回波的强度，可以根据该强度判断物体的表面信息，如材质、曲率变化程度、粗糙度等。并且根据点云的拓扑结构可分为散乱数据点云、多边形点云和网格化点云等。散乱点云各点之间没有明显的拓扑结构，在三维空间内按照扫描物体的表面信息进行自由排布；多边形点云多为三角网格模型，通过连接距离最小的相邻点形成多边形平面；网格化点云的点排布较为规律，均在网格的顶点处。
点云数据的获取方式主要依赖于传感设备，不同的传感器获取方式不同，主要分为接触式和非接触式。接触式设备将物体与传感设备的探头进行接触，获得物体表面的点云坐标，该方式获取的数据精度较高但速率较慢，通常用于坚固物体的测量，对于易形变物体的测量误差较大。非接触设备应用更为广泛，主要通过光学和声学等物理原理进行数据采集，速率快且可用于测量柔软易碎等物体。但该类设备容易受到光照和物体表面反射程度等外部环境因素影响，极易在边缘等处产生噪声。其中，基于光学的非接触设备是目前最为主流的采集设备，通过测量设备向物体发射光线，根据光线的反射量采集点云数据，主要分为结构光方法和飞行时间法等。由于不同的设备获取到的数据结构不同，可根据点云离散程度分为稀疏点云和密集点云，然而稀疏点云包含的特征信息较少，因此本文主要研究的是由三维激光扫描仪获取的密集点云。
..............................
2.2 点云预处理
经过深度传感器采集到的点云数据不仅密度高，而且存在与主体点云差异过大的离群点和噪声点，不能够直接进行分割和配准，需要对其进行一定的预处理。
2.2.1 剔除离群点
离群点会增加分割和配准的难度，同时也难以完成抓取任务，因此剔除离群点是至关重要的一步。与图像的去噪原理类似，三维点云去噪在保护点云边缘特征信息的前提下，采用滤波器快速去除噪声。剔除过程中，首先需要统计点云的邻域特征并分析特征的密度、距离等，然后根据特征设定判定标准。通常情况下，空间距离阈值设定要满足离群点到主体点云的距离大于主体点云内部点之间的距离，并且密度阈值设定要满足内部点云的密度大于离群点邻域的密度。最后将不符合判定标准的点从整体点云中予以剔除。剔除离群点常采用的方法有统计滤波[40]和半径滤波。
统计滤波首先统计出每个点到其邻域所有点的平均距离，利用高斯模型对分布结果进行分析，通过全局距离的均值和方差得到滤波的判定标准，超出该标准范围的点云数据将被当作离群点予以剔除，具体的步骤如下：
..................................
3 三维点云分割 ................................... 14
3.1 数据预处理 .................................................... 14
3.1.1 去除背景及点云去噪 ......................................... 14
3.1.2 点云下采样及剔除离群点 .................................. 18
4 三维点云配准 .................................. 31
4.1 点云的特征识别 ................................... 31
4.2 基于 FGR-ICP 算法的点云配准 ........................... 33
4.2.1 快速全局点云配准算法 .......................................... 33
4.2.2 改进 ICP .................................. 35
5 无序工件点云模型分割与配准系统设计与实现 .......................... 43
5.1 数据采集平台的搭建 ........................................... 44
5.2 基于 QT 的工件分割与配准系统 ........................................... 45
5.3 本章小结 .......................................... 47
5 无序工件点云模型分割与配准系统设计与实现
5.1 数据采集平台的搭建
如图 5.2 所示，本文使用 6 轴 ABB 工业机器手固定 AT 高速 3D 线扫相机（25k/sec）进行深度图像的采集，在 CPU 主频 3.6 GHz，内存为 8 G 的 Win10 系统下实验，实验平台为 Visual Studio 2017，编程语言为 C++和 Python。
线激光的分辨率是影响相机获取点云精度的关键因素，分辨率越高，获取的零件点云特征就越细致。CS 传感器由线激光发生器和摄像头构成，只有一行感光像素，因此，扫描频率快，分辨率高。本文选取的传感器参数如表 5.1，可满足实际的工业需求。
...............................
6 总结与展望
6.1 本文工作总结
随着智能制造的发展，自动化一直是各大院校和企业的重点研究方向，实现用机器人代替人工进行零件上下料，提高产能和效率。本文基于 ABB 工业机器手和 AT 高速 3D 线扫相机搭建了无序工件点云模型分割与配准系统，重点研究了点云的下采样、去噪、分割、识别和配准的算法和原理。主要工作成果如下：
(1) 点云预处理与分割
对于高密度的点云，传统的下采样方法并不能有效保留特征信息，对此我们提出了体素网格结合几何特征的方法对点云进行下采样，在减少点云数量的同时能够有效保留细节特征。
采用基于融合最小化和交换最小化的方法优化超体素的分割，解决了传统超体素分割依赖固定分辨率和种子点初始化质量的问题，可更为准确地对点云边界进行分割。利用基于空间距离与几何特征的点云分割方法对分割后的超体素进行聚类，实验结果表明，本文方法在处理粘连和互相遮挡的工件点云时有更好的效果。
(2) 点云配准
针对传统粗细配准算法耗费时间长，易陷入局部最优解的问题，本文提出一种结合FGR 与改进 ICP 算法的点云配准方法。FGR 算法通过惩罚函数约束错误对应关系，迭代得到最优的初始变换矩阵，快速实现粗匹配。在粗匹配的基础上，采用 ICP 算法进一步匹配，通过 K-means 算法和分裂法相结合的方法剔除错误点对，同时以 BBF 优化 k-d tree 的搜索方式，提高搜索运行效率的同时降低了陷入局部最优解的可能性。
参考文献（略）