《JOURNAL OF MANUFACTURING SYSTEMS》：Point-cloud-driven hierarchical feature extraction and constraint-aware pose estimation for fixture-free cylindrical cabin-section docking
编辑推荐：
•面向圆柱形舱段对接的无工装、无靶标点云框架。•切片与向心投票法可恢复占点云不足1%的孔洞特征。•分级加权遵循轴向-周向-接触面的装配顺序。•合成数据上孔洞检测精度/召回率为97.1%/96.2%，优于全部五个基线方法。•在原型上完成29/30次闭环对接，残差与激光跟踪仪相当。引
- •
面向圆柱形舱段对接的无工装、无靶标点云框架。
- •
切片与向心投票法可恢复占点云不足1%的孔洞特征。
- •
分级加权遵循轴向-周向-接触面的装配顺序。
- •
合成数据上孔洞检测精度/召回率为97.1%/96.2%，优于全部五个基线方法。
- •
在原型上完成29/30次闭环对接，残差与激光跟踪仪相当。
引言
圆柱结构的精密装配是高端装备制造的重要基础，是运载火箭、飞机机身、导弹和轨道舱段集成中的关键环节[1]。与一般机械装配不同，这些通常被称为舱段的结构件作为主要承力框架，必须通过特定的配合界面进行连接，通常涉及定位销与螺栓孔的精确对准。对接过程的质量是决定最终产品整体气动性能、结构刚度和运行安全性的关键因素[2]。在总装线中，对接工位也是产能瓶颈：该工位是产品首次成为单一刚体的环节，因此其节拍时间和一次合格率直接影响整条生产线的效率。
传统上，舱段对接严重依赖大型定制刚性工装与人工操作来维持几何约束。如图1所示，该过程通过调节六自由度（6-DoF）位姿参数，将移动舱段与固定基准舱段对准。然而，传统工装方法具有制造成本高、灵活性差以及依赖操作者技能水平等缺点，显著制约了装配效率和一致性[3]。在系统层面真正重要的成本不仅在于每个工装的一次性制造费用，更在于其带来的换型成本：一个工装专用于一种舱段直径和一种孔位分布，因此每个产品变体都需要制造、安装并重新认证新的工装后才能运行。依赖工装的对接因此将装配线的灵活性与工装库存耦合在一起，而可重构制造恰恰旨在消除这种耦合。因此，数字化测量辅助装配已成为现代自动化装配系统的先决条件[4]、[5]、[6]、[7]。
现有的非接触替代方案（激光跟踪仪系统、基于视觉的方法和三维激光扫描）各自部分满足了无工装测量的需求，但均未能超越数据采集层面来生成满足配合界面几何约束的对接位姿。它们各自的权衡在第2节中进行了综述。其中，三维点云扫描[8]、[9]、[10]、[11]是舱段对接最具吸引力的方案：它无需合作靶标，且单次扫描即可获取密集的表面几何信息[12]、[13]。然而，处理所得点云会引发该应用特有的两个困难：多尺度差异——圆柱包络跨越分米级而定位孔仅为毫米级；以及严重的数据稀疏性——孔洞区域仅占采集点云的不足1%（第2.2节点云特征分析与多尺度提取、第2.3节装配约束建模与序贯优化）。
为保证高精度装配，对接过程不应被概念化为单步位姿估计，而应视为包含三个不同阶段的序贯工程流程：轴向对准、周向对准（通过销孔配合）和配合面贴合（如图2(a)所示）。尽管点云驱动对接具有潜力，但仍存在两个核心技术难题：
（1）多尺度与稀疏特征的鲁棒提取：装配特征呈现显著的几何异质性，涵盖从分米级圆柱壳体到毫米级定位孔（图2(b)）。此外，由于自遮挡和受限扫描角度，定位孔内的数据往往不完整。这些关键的“关键特征”通常仅占点云总量的不足1%（图2(c)）。在噪声密集的背景中提取如此稀疏且不完整的目标，对传统特征提取器而言仍是高度病态的问题。
（2）物理优先级约束下的感知约束位姿优化：在实际对接中，6-DoF参数并非独立，而是受层级优先级支配（例如，同轴度必须先于周向对准）。标准配准框架对所有点赋予相同权重或专注于全局表面拟合，往往导致非关键区域的“过度优化”，牺牲了配合界面的对准精度。建立一个能够显式编码这些序贯工程约束并按照避免物理干涉的顺序进行优化的数学模型，是一项重大挑战。
为解决上述挑战，本文提出了一种面向圆柱形舱段自动对接的点云驱动框架。该架构包含两个核心组件：分层特征提取模块和约束感知位姿估计模型。首先，我们采用由粗到细的策略应对尺度差异。先提取宏观尺度特征（轴向圆柱体和配合界面），再进行局部微观尺度销孔特征的提取。在垂直于宏观轴向的横截面切片中，向心投票机制将每个表面点沿其局部估计的曲率半径向内位移，将稀疏的内壁碎片转换为密集的几何中心簇，其一致性通过核密度估计（KDE）恢复，即使定位特征仅占采集点云的不足1%也能实现可靠提取。其次，我们超越了传统刚性配准，建立了具有动态权重的多目标优化框架。该模型显式地将几何约束（同轴度、周向对准和共面性）作为分级目标，面向装配公差并遵循物理对接顺序。
本工作的主要贡献总结如下：
- •
我们提出了一种基于点云的圆柱组件自动对接框架，无需外部靶标或定制刚性工装。
- •
在已建立的由粗到细提取流程中，我们提出了一种向心投票机制，通过曲率驱动的位移将稀疏表面点转换为密集的几何中心簇，从而从不足1%的点云中恢复毫米级定位特征，且孔洞检测在覆盖率降低时退化缓慢。
- •
我们构建了基于动态权重的约束感知位姿估计模型，融合序贯工程约束，面向工业GD&T要求。
章节摘要
测量系统与通用装配方法
大型装配的非接触测量涵盖三种方法：协作式系统如激光跟踪仪系统（LTS）[14]、[15]、[16]，基于视觉的跟踪[13]、[17]、[18]、[19]，以及三维点云扫描[5]、[6]、[20]。LTS具有高精度但依赖预安装的协作靶标。基于视觉的方法消除了靶标，但以对光照和遮挡敏感为代价。点云扫描结合了无靶标操作与高密度表面采集，
方法
所提出的框架旨在解决舱段对接中的两个基本计算挑战：多尺度稀疏特征的鲁棒提取和物理优先级下的约束感知位姿优化。如图3所示，所提出的方法遵循由粗到细、由宏观到微观的范式，包含两个核心阶段。首先，建立了分层特征提取流程，其中采用基于切片的降维方法逐步
实验与结果
为验证所提出的框架，我们在合成数据集和真实世界数据集上进行了实验，涵盖特征提取质量、位姿估计精度与约束满足、组件消融以及闭环物理验证。
结论
我们提出了一种完全点云驱动的圆柱形舱段自动对接框架，消除了对协作靶标和定制工装的依赖。该框架通过宏观-微观分层特征提取解决了几何多尺度异质性问题，利用RANSAC恢复全局圆柱基元，通过横截面切片和曲率驱动的向心投票重建毫米级定位特征，并编码了物理装配
CRediT作者贡献声明
李子宽：写作–初稿、方法论、概念化。蒲成瀚：正式分析、数据管理。丁坤：验证、监督。李佳：写作–审阅与编辑、软件。李大伟：验证、调查。黄珊：调查、经费获取。范强：写作–审阅与编辑、监督。
关于在稿件准备过程中使用生成式AI和AI辅助技术的声明
在准备本工作期间，作者使用DeepL和ChatGPT来改善稿件的语言表达。使用这些工具后，作者根据需要仔细审查和编辑了内容，并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明，他们不存在已知的会可能影响本论文所报告工作的竞争性经济利益或个人关系。
致谢
本工作受江苏省卓越博士后人才资助计划（资助号：2026ZB635）和国家自然科学基金（资助号：62402510）资助。
李子宽|蒲成瀚|丁坤|李佳|李大伟|黄珊|范强
