著者：元イェジン日付：2020年3月24日
記事「センサー」に掲載された2018年の「ピッキングロボットビンのための複数のエッジの外観モデル（PPF-MEAM）とのポイントペアフィーチャベースのポーズ推定」、近年の継承と発展、PPF方法の代表です。まず、アルゴリズムのメインフレーム
アルゴリズムは、オフラインとオンライントレーニングの位相整合段に分かれています。下記に示すように、
オブジェクトは、ラインステージモデルは、ハッシュテーブル、ラインマッチング段階を説明構築することです。CADモデルポイントクラウドの第1の生成手段と、N個の点群の、抽出した視点、各画角のポイントクラウドは、境界点を抽出点群（以下、エッジポイントとも呼ばれる）、エッジ点について、接線接線方向を嵌め込みますハッシュテーブルに格納された四次元の特徴を計算し、その後、方向電流点のベクトルとして。
オンライン段階の主な目的は、ターゲット・インスタンスのシーンを識別することであり、それは、ロボットアームをつかむことが可能となるように、ポーズを計算します。シーンのエッジ点を得るために、まず、2次元画像に予め較正されたパラメータに従って抽出エッジ、テクスチャ、カラーカメラと深度カメラにカラーカメラと奥行カメラによって記録されたシーン、二次元画像、テクスチャマッピング、三次元空間、。現在の点の方向ベクトルと接線、接線方向をフィッティング、四次元のコンピューティング機能は、シーン点の特徴抽出を完了し、そして得られた特性に応じてハッシュテーブルを検索し、モデルはビットハフ変換を達成するために投票して、点シーン点と一致します姿勢推定、最終的にICPアルゴリズムにより、位置姿勢を最適化するために、候補姿勢の一連の結果、すべての姿勢候補をクラスタリングしました。
第二、四次元の特徴建設推定エッジ点の接線方向
四次元の特徴点に対して3次元情報を構成する、ポイント、ポイントの三次元情報だけでなく、方向を必要とします。本論文では、エッジ点推定アルゴリズム推定値の接線方向を提示しています。
最初のシーンの点群は、ROIの数に分割されています。解釈アルゴリズム：最初のシーンの点群は、各点がインデックスを持つように、二次元マップ（の各画素の対応する3次元点のインデックス値は、物品が組織ポイントクラウドを用いているため、二次元マップを得るために、XOY平面にマッピングされ）;および、サブグラフの数に二次元画像、二次元画像を横断するように、長方形のテンプレートMRECを設計し、そして最終的に戻って様々なサブ三次元ポイントクラウドのマップに、それらはサブ点群のシリーズを持っているであろう。次のようなアルゴリズムは次のようになります。
各ポイントクラウドROI領域に、各点の接線方向を求めています。解釈アルゴリズムは：他の点線でPjの現在の点Pkを用いて接続され、それらの各々を介して各サブ曇り点I、点jのために、このライン距離の数を計算する点の周りに一定の閾値未満です。ポイントPkの数がスコアとして;「; Pkの」情報ドットの方向としてPjを、Pjを接続スロープを持つあなたは、最高度Pkとポイントを見つけることができます。次のようなアルゴリズムは次のようになります。
3つの角度の長さ：これは、間に4次元特徴点のペアを構築します。図：
第三に、ラインモデル - MEAMとモデル説明
複数のエッジの見えモデル：いわゆるMEAMを指します。、およびPCLライブラリと6つの角度からの記事抽出された外観のCADモデルは、以下に示すように、エッジを得るために、エッジを抽出します。次いで、すべてのモデルの抽出された特徴点の内容に基づいて、ハッシュテーブルに格納されています。
第四に、オンラインマッチ
この部分は、PPFの伝統的な方法です。フィールド内の関心の曇点を基準点として点の一定割合、全てのシーンでポイントを構成する4次元の特徴点について算出した基準点を選択し、その後、ハッシュテーブルは、モデル化の行を見つけること。そして、シーン点近似モデルの特徴点特徴を抽出します。
同じ座標系次に、図中に形質転換各シーン点（S）とモデル点（M）に一致仮座標系を確立します。
図は、式：
その後、座標点のSi及びMiに変換関係シーンモデル対応点、すなわち得られたポーズ、得られます。
シーンの基準点、残りのすべての点を一致シーンは、その後、ハッシュテーブルは、理論的には、各マッチングにポーズに対応することができ、特性に応じて検索されます。オクルージョンに、すべてではない位置と方向の正しい、機能やその他の要因を繰り返しました。投票にポーズをする必要がある、票の高い数が候補となる可能性が高いポーズを提起します。下に示すような二次元、上記式のα、MI投票、構成されたPPF元票テーブル、[アルファ]投票の最大数、得られた信頼性の高い基準点であると考えられ、現在のシーンの決定MIポーズ、位置及びオリエンテーション。
V.のポーズの最適化
前のセクションでは、シーンは、信頼性の高い姿勢を指すように参照して計算することができ、nはシーンは、n個有する基準点があっても非常に異なる、同じポーズされていない、ポーズしてもよいです。これらの候補者は、姿勢差tをクラスタ化する必要があるとベクトル差はRは同じクラスが少ない一定の閾値よりも提起行列します。投票用紙のセクションで得られた個々の投票のクラスポーズ合計：画分は現在のクラスとして定義されます。いくつかのクラスの高い平均最終スコアはどちらの、ポーズを最終候補として提起されます。
ICPのための最終的なポーズ候補は、最終的なポーズを与えるように最適化。
六の実験結果
実際のシーンのシミュレーション・シナリオにおける物品及びPPFとPPF-MEAM、精度と速度の両方を比較して、大幅に改善されています。
次のように図効果のシミュレーションシナリオは次のとおりです。
実シーンの実験結果：
リファレンス
[1] Diyi L、省吾A、Jiaqi M、ら。ロボットビンピッキング[J]のための複数のエッジの外観モデル（PPF-MEAM）と点ペア機能ベースポーズ推定。センサ、2018、18（8）：2719-。
[2]バートラムDrost、マルクス・ウルリッヒ、Nassir Navab、等。効率的かつ堅牢な3次元物体認識、コンピュータビジョンとパターン認識の[C] // 2010 IEEEコンピュータ学会大会：モデルは、グローバル、ローカルに一致します。IEEE 2010。