Robust Point Cloud Registration in Robotic Inspection with Locally Consistent Gaussian Mixture Model

在航空部件的机器人检测中，实现扫描和模型数据之间准确的配对点云注册是至关重要的。然而，机器人扫描数据中产生的噪声和离群值可能会影响注册的准确性。为了缓解这一挑战，本文提出了一种基于概率的注册方法，利用具有局部一致性约束的高斯混合模型（GMM）。该方法将注册问题转化为模型拟合问题，通过约束相邻点之间后验分布的相似性来增强对应关系的鲁棒性。我们采用期望最大化算法迭代地找到最优旋转矩阵和平移向量，同时获取GMM参数。E步和M步都有闭式解。模拟和实际实验证实了该方法的有效性，尽管存在噪声和离群值，但其将均方根误差降低了20%。与现有方法相比，所提出的方法在鲁棒性和准确性方面表现优异。

论文旨在解决机器人扫描数据中噪声和异常值对点云配准准确性的影响，提出一种基于概率的配准方法，利用高斯混合模型（GMM）和局部一致性约束来增强对应关系的鲁棒性。

该方法将配准问题转化为模型拟合问题，通过约束相邻点之间后验分布的相似性来增强对应关系的鲁棒性。使用期望最大化算法迭代地寻找最优旋转矩阵和平移向量，并获得GMM参数。该方法在鲁棒性和准确性方面优于现有方法。

论文通过实验验证了该方法的有效性，即使存在噪声和异常值，也将均方根误差降低了20%。该方法的亮点包括使用高斯混合模型和局部一致性约束增强对应关系的鲁棒性，以及在实验中取得的良好效果。论文没有提供代码，但是提供了数据集。

最近在这个领域中，也有一些相关的研究。例如，题为“Point-to-Plane ICP with Advanced Weighting Scheme for Fast and Robust Registration”的论文提出了一种基于加权的点对平面的ICP方法，该方法在速度和准确性方面优于传统的ICP方法。还有一篇题为“Robust Point Cloud Registration Algorithm Based on Feature Extraction”的论文，提出了一种基于特征提取的点云配准算法，该算法在鲁棒性和准确性方面都有较好的表现。