基于点云位姿估计的机械臂抓取系统研究

这是一篇关于点云位姿估计,6D目标检测,工业机械臂,点云分割,深度学习的论文, 主要内容为近年来,智能机器人技术迅速发展,越来越多的机器人取代了原来由人力劳动实现的生产活动。其中比较常见的应用场景是将物料区中散乱堆叠的零件逐个识别并使用机械臂抓取,一般包含实例分割、位姿估计等任务,其中,能否正确对零件进行位姿估计对抓取结果至关重要。传统的依赖RGB数据进行位姿估计的算法需要目标具有丰富的表面纹理信息,且无法处理遮挡导致的信息缺失问题。在点云算法研究领域,主流的位姿估计方法往往聚焦于大型室内外数据或生活物体,面向自动驾驶、生活应用等方向。在工业场景下,广泛应用的依然是简单、传统的优化算法。但是随着目标工件外形变得越来越复杂,任务要求越来越严格,机械臂的精确抓取任务面临越来越困难的挑战。本文基于工业场景,使用点云数据,结合点对特征和深度学习研究机械臂抓取系统的位姿估计和点云分割算法,并搭建完整的软硬件系统。主要研究工作和创新点如下:(1)在点云分割阶段,针对三维相机平行投影方向的成像缺失现象,提出了二维三维融合的欧式聚类,同时在边缘点回补阶段使用了更精确的k-means算法。经过自建数据集测试表明,本文提出的改进比传统欧式聚类方法有更好的性能,更适合工业环境的三维点云分割。(2)对基于点对特征的算法PPF的查询结构进行了改进,使用双层哈希表替代原有的单层结构。针对工业零件的几何特性,在扩展邻域阶段抛弃了旋转角去重步骤并采用加权投票的方法。在自建数据集和Model Net40数据集上取得了比原始算法更好的结果。(3)证明了NDT位姿优化的栅格化阶段初始旋转姿态对最终结果的影响,提出了基于拟牛顿法的最优栅格化方案,在离线阶段利用角点搜寻最优栅格化位姿,取得了比随机位姿更好的结果,在某些特定几何结构的物体上效果明显。(4)基于PCRNet位姿估计网络,使用Point Net++替换了原有的Point Net模块,提高了整体性能,增强了遮挡缺失条件下的鲁棒性。并对PCRNet的迭代机制进行了改进,使迭代效率大幅提高。

基于点云位姿估计的机械臂抓取系统研究

这是一篇关于点云位姿估计,6D目标检测,工业机械臂,点云分割,深度学习的论文, 主要内容为近年来,智能机器人技术迅速发展,越来越多的机器人取代了原来由人力劳动实现的生产活动。其中比较常见的应用场景是将物料区中散乱堆叠的零件逐个识别并使用机械臂抓取,一般包含实例分割、位姿估计等任务,其中,能否正确对零件进行位姿估计对抓取结果至关重要。传统的依赖RGB数据进行位姿估计的算法需要目标具有丰富的表面纹理信息,且无法处理遮挡导致的信息缺失问题。在点云算法研究领域,主流的位姿估计方法往往聚焦于大型室内外数据或生活物体,面向自动驾驶、生活应用等方向。在工业场景下,广泛应用的依然是简单、传统的优化算法。但是随着目标工件外形变得越来越复杂,任务要求越来越严格,机械臂的精确抓取任务面临越来越困难的挑战。本文基于工业场景,使用点云数据,结合点对特征和深度学习研究机械臂抓取系统的位姿估计和点云分割算法,并搭建完整的软硬件系统。主要研究工作和创新点如下:(1)在点云分割阶段,针对三维相机平行投影方向的成像缺失现象,提出了二维三维融合的欧式聚类,同时在边缘点回补阶段使用了更精确的k-means算法。经过自建数据集测试表明,本文提出的改进比传统欧式聚类方法有更好的性能,更适合工业环境的三维点云分割。(2)对基于点对特征的算法PPF的查询结构进行了改进,使用双层哈希表替代原有的单层结构。针对工业零件的几何特性,在扩展邻域阶段抛弃了旋转角去重步骤并采用加权投票的方法。在自建数据集和Model Net40数据集上取得了比原始算法更好的结果。(3)证明了NDT位姿优化的栅格化阶段初始旋转姿态对最终结果的影响,提出了基于拟牛顿法的最优栅格化方案,在离线阶段利用角点搜寻最优栅格化位姿,取得了比随机位姿更好的结果,在某些特定几何结构的物体上效果明显。(4)基于PCRNet位姿估计网络,使用Point Net++替换了原有的Point Net模块,提高了整体性能,增强了遮挡缺失条件下的鲁棒性。并对PCRNet的迭代机制进行了改进,使迭代效率大幅提高。

基于快速点特征直方图的点云识别研究

这是一篇关于快速点特征直方图算子,点云分类,点云分割的论文, 主要内容为近年来,点云处理包括点云分类和分割技术在自动驾驶、智慧城市等领域具有广泛应用前景。目前的点云网络采用复杂的局部特征聚合模块以提取欧氏空间中的邻域点信息,这带来巨大的计算和内存消耗。此外,现有点云网络忽略大量欧式距离远但特征相似的点,这些点对于更好地理解点云几何结构具有重要研究意义。本文提出了一种基于快速点特征直方图(FPFH)算子的点云网络,利用简单易算的FPFH算子聚合点云局部邻域特征,并结合FPFHConv模块在特征空间中聚合局部和非局部特征,更好地捕获点云特征信息。算法在Model Net40数据集上的分类准确率为93.2%,在Shape Net part数据集上的平均交叉比(m Io U)值为86.4%,S3DIS数据集上的语义分割m Io U值为68.54%。实验证明,该算法获得了性能上的提升。本文从计算和内存角度分析了点云网络效率低的原因,即特征计算和邻域搜索两个主要计算瓶颈无法并行执行而产生关键路径依赖。针对点云网络效率低的原因,本文依据多层感知机近似满足分配率进行了算法设计,提出了特征计算并行算法,优化了FPFHConv网络,并拓展到经典点云网络中。算法在几乎不影响模型精度的情况下,让特征计算与邻域搜索操作可以并行执行,同时显著降低了特征计算的计算量与内存访存次数,同时具有一定的拓展性。实验结果证明了特征计算并行算法可以有效降低点云网络的运行时间与能量消耗,并破除了点云网络运行中的关键路径,进一步提高了点云网络的运行效率。

基于点云位姿估计的机械臂抓取系统研究

这是一篇关于点云位姿估计,6D目标检测,工业机械臂,点云分割,深度学习的论文, 主要内容为近年来,智能机器人技术迅速发展,越来越多的机器人取代了原来由人力劳动实现的生产活动。其中比较常见的应用场景是将物料区中散乱堆叠的零件逐个识别并使用机械臂抓取,一般包含实例分割、位姿估计等任务,其中,能否正确对零件进行位姿估计对抓取结果至关重要。传统的依赖RGB数据进行位姿估计的算法需要目标具有丰富的表面纹理信息,且无法处理遮挡导致的信息缺失问题。在点云算法研究领域,主流的位姿估计方法往往聚焦于大型室内外数据或生活物体,面向自动驾驶、生活应用等方向。在工业场景下,广泛应用的依然是简单、传统的优化算法。但是随着目标工件外形变得越来越复杂,任务要求越来越严格,机械臂的精确抓取任务面临越来越困难的挑战。本文基于工业场景,使用点云数据,结合点对特征和深度学习研究机械臂抓取系统的位姿估计和点云分割算法,并搭建完整的软硬件系统。主要研究工作和创新点如下:(1)在点云分割阶段,针对三维相机平行投影方向的成像缺失现象,提出了二维三维融合的欧式聚类,同时在边缘点回补阶段使用了更精确的k-means算法。经过自建数据集测试表明,本文提出的改进比传统欧式聚类方法有更好的性能,更适合工业环境的三维点云分割。(2)对基于点对特征的算法PPF的查询结构进行了改进,使用双层哈希表替代原有的单层结构。针对工业零件的几何特性,在扩展邻域阶段抛弃了旋转角去重步骤并采用加权投票的方法。在自建数据集和Model Net40数据集上取得了比原始算法更好的结果。(3)证明了NDT位姿优化的栅格化阶段初始旋转姿态对最终结果的影响,提出了基于拟牛顿法的最优栅格化方案,在离线阶段利用角点搜寻最优栅格化位姿,取得了比随机位姿更好的结果,在某些特定几何结构的物体上效果明显。(4)基于PCRNet位姿估计网络,使用Point Net++替换了原有的Point Net模块,提高了整体性能,增强了遮挡缺失条件下的鲁棒性。并对PCRNet的迭代机制进行了改进,使迭代效率大幅提高。

基于视觉反馈的双臂服务机器人系统的设计与实现

这是一篇关于视觉反馈,点云分割,双臂服务机器人,运动规划,双臂协同的论文, 主要内容为随着机器视觉、控制理论、传感器等技术的发展,双臂服务机器人行业得到快速的发展,相比于单臂机器人,双臂机器人具有仿人式结构,能够自主、快速实现复杂繁琐的任务。双臂服务机器人主要用于日常生活、家庭服务、交通运输、医疗等方面。对于普遍应用的工业机器人,简单的重复性运动不再适用复杂任务的需求,服务机器人需要通过视觉反馈对工作环境的变化进行感知,并规划出相应的运动轨迹以完成任务。视觉反馈系统是服务机器人系统中至关重要的组成部分,通过将点云数据、目标识别算法、机械臂模型参数、运动学参数等信息进行融合,实现服务机器人的运动规划,提升机器人的自主运动能力。为在餐厅、食堂等场景下实现智能打菜服务,本文对基于视觉反馈的双臂服务机器人系统进行研究,该系统自动预测出合适的打菜点,利用双臂协作完成打菜、取碗和倒菜任务。具体来说,首先,本文提出双臂服务机器人系统的设计方案以及对各个子模块进行设计,对双臂模块加持移动平台,大大增强机器人的工作空间和灵活性,同时对系统开发平台进行介绍。其次,本文设计了一个基于点云几何特征的动态图卷积网络,根据菜品表面的点云数据对打菜点进行预测,完成系统对环境的感知。此外,系统基于点云分割结果以及环境信息,结合运动规划算法实现对菜品、餐具的抓取和搬运等任务。本文对机械臂的正逆运动学进行分析,并对其路径规划算法与轨迹规划算法进行分析和推导,为双臂实现快速、平稳的运动。最后对于双臂协同倒菜任务,通过对倒菜过程中双臂末端位姿之间约束关系进行分析,结合机械臂模型参数并采用主从式运动控制实现双臂之间的协同运动。为验证本文提出的相关算法的有效性以及机器人系统的可行性,对点云分割、运动规划、双臂协同控制以及机器人系统整体功能进行实验。结果表明本文设计的模型可以根据当前菜品的点云数据为系统预测出合适的舀菜区域。系统通过运动规划算法为机械臂提供实时的运动轨迹,实现智能打菜服务并达到平均91.3%的成功率,因此充分验证本文提出的算法与双臂服务机器人系统的可靠性。

多传感器融合的集装箱拆垛视觉系统研究

这是一篇关于集装箱同型垛,深度学习,注意力机制,点云分割的论文, 主要内容为随着人工智能的发展,以视觉引导实现无人化拆垛以其智能,高效成为研究重点。拆垛机器人的应用将大幅提高货物处理的速度,增加对突发情况应对处理能力如COVID-19病毒所造成的物流仓储系统不能正常复工和冷冻链物流管理过程中存在的感染风险。本课题结合深度学习、点云分割和多传感器融合技术,提出了二维图像识别与三维点云分割融合的拆垛算法,对垛检测一次算法实现对集装箱内箱型单目标同型垛的表面的三维重建获得垛内全部单目标位置数据,满足集装箱内拆垛时单目标拆卸存在的顺序要求,并实现可视化界面开发。本课题首先对视觉拆垛方案结合同型垛本身特点和集装箱内拆垛方式,进行了研究分析,提出了二维图像识别与三维点云分割融合的算法作为拆垛方案,解决了三维同型垛点云特征少难以分割,二维图像检测难以满足拆垛顺序要求的问题。根据算法需要、集装箱尺寸、安装位置要求和传感器参数,选择了两相机和一个三维雷达的多传感器组合方案,并进行了联合标定工作。其次,针对二维图像识别使用的深度神经网络模型进行选择设计,选择YOLOv4作为目标网络,同时为提升密集小尺寸目标的检测精度在网络的残差模块中引入了注意力模块sc SE,并设计了三种嵌入位置。收集集装箱内箱型目标物体图片并进行数据增强建立数据集。对设计的网络和原网络进行训练,选择结果最为优秀的模型作为图像检测网络。然后,针对点云分割算法进行了研究,根据处理对象的不同分为两部分:单目标点云分割算法,解决了存在多余目标平面点云和其他干扰点云的影响,准确拟合出垛内单目标平面和边缘直线,得到单个目标尺寸和位姿,算法针对拟合边缘直线时出现的虚假直线即过分割问题,以拟合直线之间的距离、方向和点云数量作为判断标准进行直线的合并处理;原始点云分割算法,对点云进行预处理后,以点云拟合平面与雷达坐标系的夹角作为判断标准从原始点云中分割出属于垛的点云数据。对两种分割算法获得的数据进行处理,获得垛内所有单目标位置信息。最后,在ubuntu18.04系统下,集成PCL点云库,基于ROS完成拆垛相关功能的软件包的开发,同时利用QT5.9完成交互界面的开发,实现检测过程及结果的可视化。对算法进行多次实验验证,结果表明,本文提出的视觉引导拆垛的方法在对垛内排列和目标位置计算,实现垛表面的三维重建方面都有较好的效果。

缺失牙齿的三维设计方法研究

这是一篇关于纹理重建,点云分割,牙齿分割,深度学习,镜像建模的论文, 主要内容为牙齿在人体中具有重要的功能和美学价值,其缺失不仅影响咀嚼和言语功能,还可能导致其他口腔健康问题。种植牙技术为缺失牙齿提供了有效的治疗方法,但传统的种植牙牙齿设计方法依赖于医生的经验和技能,耗时且准确性受限。随着数字化技术的发展,计算机辅助设计/计算机辅助制造(CAD/CAM)和三维扫描技术为牙齿设计带来了革命性的改变,但针对缺失牙齿的牙冠设计还是一个较为复杂的过程。本文深入研究了缺失牙齿的三维数字化设计关键技术,解决了牙齿纹理重建的实时性问题和牙齿难以自动分割的问题,并开发了一个缺失牙齿三维设计系统,实现了快速而精准的个性化牙齿设计。本文首先对现有的纹理重建方案进行改进,特别针对口内扫描的特点和结构光几何重建特性,提出了两种高效的牙齿纹理重建策略。经过实验验证,基于结构光改进的多视角纹理重建算法不仅有效地解决了传统方法中常见的纹理缝隙问题,而且通过省略传统方法中最耗时的视角选择步骤,显著提升了处理速度。基于网格参数化改进的纹理重建算法虽然在纹理细节上有所牺牲,但它能够实现实时的纹理重建,特别是对于大型点云数据,如超过50万的点云,该算法从传统的数分钟缩减至仅1.1秒,实现了秒级快速处理。接下来,本文结合网格参数化技术和深度学习方法,设计了一个两段式的牙齿分割网络。在第一阶段,通过牙齿分割子模型提取模块对网格展开图进行粗略的分割,从而获得了包含单颗牙齿的子模型。第二阶段,本文利用Point Net++网络对这些子模型进行了更为精细的分割处理。该方法在本文数据集上实现了高达96.09%的Io U,超越了许多当前的先进三维分割算法,而且在处理各种牙齿异常,如错位、拥挤或缺失等情况时,都展现出了出色的分割效果。最后,本文采用镜像对称的方法,构建了一个全面的缺失牙齿重建系统。此系统能实时展示扫描结果并对牙齿数据进行单颗牙齿分割。利用此技术,用户仅需简单操作,即可复制健康对侧牙齿,进而为缺失牙齿制定牙齿。系统简化了复杂流程,内置模块还支持牙齿的个性化优化,确保满足不同需求。

基于3D点云的目标检测与目标识别方法研究

这是一篇关于点云分割,点云识别,欧式聚类,PointNet++,Frustum-Pointnets的论文, 主要内容为在三维重建的表示方式中,点云是极为重要的一种,因其未经过其他处理手段,因此点云是一个非常接近原始传感器的数据集。但是只包含三维坐标的点云数据因为缺乏像素、RGB等信息,对点云处理的难度比二维图像要高得多。在计算机视觉中,目标检测和识别是当前研究的热潮,虽然二维物体的检测与识别技术已经取得了一些成果,但是由于缺少三维的信息,使得它难以扩展到三维空间。点云数据具有稀疏性、无序性,对复杂场景、小型目标的鲁棒性不强,因而利用点云进行高级别的检测,如自动驾驶等具有较高难度。因此,如何快速、高效地获得有效的三维点云数据,并建立一套能够直接利用三维点云数据进行目标检测的方法,是非常有意义的。本文尝试使用传统聚类和深度学习两种方法来实现对三维目标的检测,并针对现有算法的不足提出改进对算法模型进行优化,并在室内、外两种场景下进行模拟实验来验证数据可用性和算法可行性。本文的主要研究工作与创新点如下:1.改进传统欧式聚类分割算法实现对点云物体的检测。针对由于点云近密远疏导致的传统聚类易出现过分割和欠分割现象,提出使用两种判断聚类分割的条件并进行分段聚类,提高对点云物体的检测精度并进行实验验证;2.构建一个激光扫描双目立体视觉3D点云成像系统。针对双目图像在立体匹配过程中鲁棒性差、难以快速匹配问题,提出一种融合主动视觉的方法进行环境感知,在室内环境下搭建实验平台采集双目图像并获取三维点云数据;3.以Model Net40数据集格式自建点云数据集并进行了数据增强。为实现基于深度学习的3D点云目标识别任务,使用2中的系统扩充数据集并使用深度学习网络Point Net++进行实验,验证自建数据的有效性。4.改进现有点云目标检测网络模型Frustum-pointnets。加宽掩膜的界定阈值并在三维空间中引入注意力机制,加入全局特征,最后将掩膜计算损失函数更换为Focal Loss,并在大型3D场景数据集KITTI数据集中进行消融试验,将改进后汽车的检测准确度与其他网络进行对比,最后可视化检测结果。

基于视觉反馈的双臂服务机器人系统的设计与实现

这是一篇关于视觉反馈,点云分割,双臂服务机器人,运动规划,双臂协同的论文, 主要内容为随着机器视觉、控制理论、传感器等技术的发展,双臂服务机器人行业得到快速的发展,相比于单臂机器人,双臂机器人具有仿人式结构,能够自主、快速实现复杂繁琐的任务。双臂服务机器人主要用于日常生活、家庭服务、交通运输、医疗等方面。对于普遍应用的工业机器人,简单的重复性运动不再适用复杂任务的需求,服务机器人需要通过视觉反馈对工作环境的变化进行感知,并规划出相应的运动轨迹以完成任务。视觉反馈系统是服务机器人系统中至关重要的组成部分,通过将点云数据、目标识别算法、机械臂模型参数、运动学参数等信息进行融合,实现服务机器人的运动规划,提升机器人的自主运动能力。为在餐厅、食堂等场景下实现智能打菜服务,本文对基于视觉反馈的双臂服务机器人系统进行研究,该系统自动预测出合适的打菜点,利用双臂协作完成打菜、取碗和倒菜任务。具体来说,首先,本文提出双臂服务机器人系统的设计方案以及对各个子模块进行设计,对双臂模块加持移动平台,大大增强机器人的工作空间和灵活性,同时对系统开发平台进行介绍。其次,本文设计了一个基于点云几何特征的动态图卷积网络,根据菜品表面的点云数据对打菜点进行预测,完成系统对环境的感知。此外,系统基于点云分割结果以及环境信息,结合运动规划算法实现对菜品、餐具的抓取和搬运等任务。本文对机械臂的正逆运动学进行分析,并对其路径规划算法与轨迹规划算法进行分析和推导,为双臂实现快速、平稳的运动。最后对于双臂协同倒菜任务,通过对倒菜过程中双臂末端位姿之间约束关系进行分析,结合机械臂模型参数并采用主从式运动控制实现双臂之间的协同运动。为验证本文提出的相关算法的有效性以及机器人系统的可行性,对点云分割、运动规划、双臂协同控制以及机器人系统整体功能进行实验。结果表明本文设计的模型可以根据当前菜品的点云数据为系统预测出合适的舀菜区域。系统通过运动规划算法为机械臂提供实时的运动轨迹,实现智能打菜服务并达到平均91.3%的成功率,因此充分验证本文提出的算法与双臂服务机器人系统的可靠性。

基于点云位姿估计的机械臂抓取系统研究

这是一篇关于点云位姿估计,6D目标检测,工业机械臂,点云分割,深度学习的论文, 主要内容为近年来,智能机器人技术迅速发展,越来越多的机器人取代了原来由人力劳动实现的生产活动。其中比较常见的应用场景是将物料区中散乱堆叠的零件逐个识别并使用机械臂抓取,一般包含实例分割、位姿估计等任务,其中,能否正确对零件进行位姿估计对抓取结果至关重要。传统的依赖RGB数据进行位姿估计的算法需要目标具有丰富的表面纹理信息,且无法处理遮挡导致的信息缺失问题。在点云算法研究领域,主流的位姿估计方法往往聚焦于大型室内外数据或生活物体,面向自动驾驶、生活应用等方向。在工业场景下,广泛应用的依然是简单、传统的优化算法。但是随着目标工件外形变得越来越复杂,任务要求越来越严格,机械臂的精确抓取任务面临越来越困难的挑战。本文基于工业场景,使用点云数据,结合点对特征和深度学习研究机械臂抓取系统的位姿估计和点云分割算法,并搭建完整的软硬件系统。主要研究工作和创新点如下:(1)在点云分割阶段,针对三维相机平行投影方向的成像缺失现象,提出了二维三维融合的欧式聚类,同时在边缘点回补阶段使用了更精确的k-means算法。经过自建数据集测试表明,本文提出的改进比传统欧式聚类方法有更好的性能,更适合工业环境的三维点云分割。(2)对基于点对特征的算法PPF的查询结构进行了改进,使用双层哈希表替代原有的单层结构。针对工业零件的几何特性,在扩展邻域阶段抛弃了旋转角去重步骤并采用加权投票的方法。在自建数据集和Model Net40数据集上取得了比原始算法更好的结果。(3)证明了NDT位姿优化的栅格化阶段初始旋转姿态对最终结果的影响,提出了基于拟牛顿法的最优栅格化方案,在离线阶段利用角点搜寻最优栅格化位姿,取得了比随机位姿更好的结果,在某些特定几何结构的物体上效果明显。(4)基于PCRNet位姿估计网络,使用Point Net++替换了原有的Point Net模块,提高了整体性能,增强了遮挡缺失条件下的鲁棒性。并对PCRNet的迭代机制进行了改进,使迭代效率大幅提高。

基于点云位姿估计的机械臂抓取系统研究

这是一篇关于点云位姿估计,6D目标检测,工业机械臂,点云分割,深度学习的论文, 主要内容为近年来,智能机器人技术迅速发展,越来越多的机器人取代了原来由人力劳动实现的生产活动。其中比较常见的应用场景是将物料区中散乱堆叠的零件逐个识别并使用机械臂抓取,一般包含实例分割、位姿估计等任务,其中,能否正确对零件进行位姿估计对抓取结果至关重要。传统的依赖RGB数据进行位姿估计的算法需要目标具有丰富的表面纹理信息,且无法处理遮挡导致的信息缺失问题。在点云算法研究领域,主流的位姿估计方法往往聚焦于大型室内外数据或生活物体,面向自动驾驶、生活应用等方向。在工业场景下,广泛应用的依然是简单、传统的优化算法。但是随着目标工件外形变得越来越复杂,任务要求越来越严格,机械臂的精确抓取任务面临越来越困难的挑战。本文基于工业场景,使用点云数据,结合点对特征和深度学习研究机械臂抓取系统的位姿估计和点云分割算法,并搭建完整的软硬件系统。主要研究工作和创新点如下:(1)在点云分割阶段,针对三维相机平行投影方向的成像缺失现象,提出了二维三维融合的欧式聚类,同时在边缘点回补阶段使用了更精确的k-means算法。经过自建数据集测试表明,本文提出的改进比传统欧式聚类方法有更好的性能,更适合工业环境的三维点云分割。(2)对基于点对特征的算法PPF的查询结构进行了改进,使用双层哈希表替代原有的单层结构。针对工业零件的几何特性,在扩展邻域阶段抛弃了旋转角去重步骤并采用加权投票的方法。在自建数据集和Model Net40数据集上取得了比原始算法更好的结果。(3)证明了NDT位姿优化的栅格化阶段初始旋转姿态对最终结果的影响,提出了基于拟牛顿法的最优栅格化方案,在离线阶段利用角点搜寻最优栅格化位姿,取得了比随机位姿更好的结果,在某些特定几何结构的物体上效果明显。(4)基于PCRNet位姿估计网络,使用Point Net++替换了原有的Point Net模块,提高了整体性能,增强了遮挡缺失条件下的鲁棒性。并对PCRNet的迭代机制进行了改进,使迭代效率大幅提高。