机器人磨抛激光点云去噪算法研究

"这篇论文探讨了面向机器人磨抛任务中激光点云获取和去噪算法的应用。通过使用激光扫描技术，研究者旨在提高工业机器人磨抛的精度，测量和评估工件形状误差和装夹误差。他们采用了条纹式激光扫描仪与直线匀速运动相结合的方式，对机器人末端夹持的工件进行扫描，从而获取网格状点云数据。针对点云数据中的大尺度噪声，他们提出了一种改进的K近邻均值滤波（KNNMF）算法——基于局部均值的K近邻均值滤波（LMKMF）算法，该算法能对大偏移数据点进行局部预过滤。通过对实际测量点云样本的去噪测试，证明了LMKMF预滤波的KNNMF算法在高密度噪声环境下的去噪性能提升，尤其是在30%噪点密度下，去噪能力提升了53.78%。" 本文是关于激光扫描技术和点云处理在机器人磨抛工艺中的应用。首先，文章指出在工业机器人磨抛过程中，精确测量和评估工件的形状误差和装夹误差是保证加工质量的关键。为此，研究者利用激光扫描技术，特别是条纹式激光扫描仪，配合直线匀速运动，来扫描机器人夹持的工件，这样可以得到近似网格化的点云数据，便于后续的分析和处理。 接着，文章着重介绍了点云数据的去噪方法。传统的KNNMF算法虽然在点云去噪中广泛应用，但在处理大尺度噪声时可能效果不佳。因此，研究者提出了一种新的去噪策略——LMKMF算法。这种算法基于局部均值，先对大偏移的数据点进行局部预过滤，然后再用KNNMF进行进一步的滤波。通过建立数学模型，研究者以峰值信噪比（PSNR）为评价标准，对比了标准KNNMF算法和结合LMKMF预滤波的KNNMF算法的去噪效果。 实验证明，结合LMKMF预滤波的KNNMF算法在处理高密度噪声点云时表现出了更强的去噪能力。在30%的噪点密度下，其去噪性能相比标准KNNMF算法提高了53.78%，这表明该方法能够有效地保留点云的特征，同时显著提升去噪效果，对于机器人磨抛这类需要高精度的工业应用具有重要意义。 关键词涉及激光器、条纹式激光扫描、点云去噪、K邻近均值滤波算法以及磨抛机器人，这些关键词揭示了本文的研究核心和应用领域。论文的贡献在于提供了一种针对机器人磨抛工艺的高效点云去噪方法，对于提升机器人自动化加工的精度和效率具有指导价值。