基于DBSCAN集群和自适应细分的机器人本地化强大和快速点云注册.

科学领域:

• 计算机视觉 计算机视觉
• 几何计算几何计算
• 3D数据处理 3D数据处理

背景情况:

• 传统的正常分布转换 (NDT) 算法在初始化方面遇到了困难,导致本地特征丢失和映射错误.
• 点云注册对于3D数据分析至关重要,但通常受到范围和效率的限制.

研究的目的:

• 提出一种新的点云注册方法,即聚类和细分正常分布转换 (CSNDT),以提高注册范围和效率.
• 解决传统的NDT算法在处理本地特征和初始化方面的局限性.

主要方法:

• 通过将自适应细胞分区策略集成到点云注册中,开发了CSNDT.
• 将基于标准偏差和相关系数的判断机制纳入DBSCAN,以改进自适应集群.
• 实现了直线点云集群与自适应网格细胞和基于细胞长度的细胞细分.

主要成果:

• 拟议的CSNDT算法在点云注册中表现出卓越的稳定性和精度.
• 与Iterative Closest Point (ICP) 和标准的NDT算法相比,CSNDT提供了更好的匹配效率.
• 适应性细胞分区和细分有效地扩大了注册范围并提高了准确性.

结论:

• CSNDT为点云注册挑战提供了更强大,更有效的解决方案.
• 适应性聚类和细分技术显著提高了基于NDT的注册的性能.
• 这种方法为需要精确的3D点云对齐的应用提供了有前途的进步.