多视角点云配准方法用于集装箱扭锁自动拆卸

《Journal of Marine Science and Engineering》：Multi-View Point Cloud Registration Method for Automated Disassembly of Container Twist Locks Chao Mi, Teng Wang, Xintai Man, Mengjie He, Zhiwei Zhang and Yang Shen

　　

随着海上贸易规模的持续扩大，港口对转运效率提出了越来越高要求。集装箱扭锁拆卸是装卸过程中的关键环节，其自动化水平对船舶在港停泊时间具有显著影响。针对自动拆卸对高精度三维视觉的需求，本文提出了一种用于扭锁识别的多视角点云局部配准方法。首先，利用基于密度的层次空间聚类算法（HDBSCAN）提取多视角点云中重叠度最高的钥匙孔区域，减少非重叠结构的干扰。然后，采用“粗配准+精配准”的两阶段策略：通过随机采样一致性（RANSAC）实现初始对齐，并通过结合自适应距离阈值和法向一致性约束改进迭代最近点（ICP）算法，完成精配准。实验结果表明，该方法在精度和效率上均优于全局配准方案：均方根误差（RMSE）降至2.15毫米，相对平均距离（RMD）降至1.81毫米，配准时间约为2.41秒。与全局配准相比，效率提升44.2%，能够满足自动化码头连续作业对感知环节的实时性要求以及后续机械臂控制的时间约束。研究成果初步验证了该方法在扭锁自动拆卸场景中的应用潜力。

**论文解读：基于多视角点云局部配准的集装箱扭锁自动拆卸方法研究**

**研究背景与问题**

随着全球海运贸易量持续增长，港口集装箱吞吐规模不断扩大，码头作业向高节奏、连续化方向发展。转运效率直接影响物流时效与运营成本，其中集装箱装卸效率是决定船舶在港时间和码头周转能力的核心因素。集装箱扭锁是连接和固定箱体的专用紧固件，其开闭状态和拆卸效率直接关系到装卸的安全性与速度。目前，大多数港口仍依赖人工拆卸扭锁，存在劳动强度大、效率受工人熟练度影响显著、高频连续作业下安全隐患突出等问题。用机器人机械臂替代人工实现自动拆卸成为重要发展方向。自动拆卸的前提是精确获取扭锁与锁孔的三维位姿信息及部件间相对空间关系。然而，单视角激光雷达采集的点云视场有限，易出现遮挡、数据缺失和局部形变，无法完整表征扭锁-锁孔结构。为获得完整可靠的三维几何信息，需融合多视角点云并实现高精度配准。现有通用配准方法在目标结构紧凑、特征相似、遮挡严重、非重叠区域比例高的场景下，容易引入干扰导致误匹配增加和收敛不稳定。因此，研究人员提出了针对扭锁自动拆卸任务的多视角点云局部配准方法。

**研究内容、结论与意义**

研究人员提出了一种基于重叠区域的多视角点云局部配准方法。首先通过基于密度的层次空间聚类算法（HDBSCAN）自动提取多视角点云中的共同重叠区域（即钥匙孔区域），消除非重叠部分的干扰；然后采用“粗配准+精配准”两阶段策略：利用基于快速点特征直方图（FPFH）特征的随机采样一致性（RANSAC）进行粗配准，再采用引入自适应距离阈值和法向一致性约束的改进迭代最近点（ICP）算法完成精配准。实验结果表明，该方法在精度和效率上均优于全局配准方案：均方根误差（RMSE）降至2.15毫米，相对平均距离（RMD）降至1.81毫米，配准时间约2.41秒，效率提升44.2%，可满足自动化码头连续作业的实时性要求。研究成果初步验证了该方法在扭锁自动拆卸场景中的应用潜力，为后续扭锁把手识别和机械臂控制提供了可靠的感知基础。该论文发表在《Journal of Marine Science and Engineering》。

**关键技术方法概述**

研究人员在实验室环境中采用两台中国雷神智能（深圳）生产的固态激光雷达（有效测量范围0.2–5米，精度3毫米），分别面向两个锁孔中心线后各偏转30°采集带有视差的扭锁与锁孔点云，共在模拟雨、尘等环境下采集10组不同位姿的数据。关键技术包括：（1）利用HDBSCAN层次密度聚类提取最大重叠区域（钥匙孔区域），设置最小簇大小min_size=100、最小样本数min_pts=50；（2）粗配准阶段：基于FPFH特征，通过RANSAC随机采样一致性估计初始变换矩阵，设置法向估计半径5毫米、FPFH邻域半径10毫米、RANSAC迭代5000次、内点距离阈值5毫米；（3）精配准阶段：改进ICP算法，采用基于中位数绝对偏差的自适应距离阈值（参考距离d_r=10毫米）和法向一致性约束（角度阈值θ_max=3°），以点对点方式最小化距离误差目标函数。

**研究结果**

**3.1 实验场景**：在实验室环境下搭建采集系统，两台固态激光雷达固定放置获取左右两个视角的点云，模拟雨、尘等干扰条件收集10组不同位姿数据。所有配准实验在Intel Core i7-12700K CPU、NVIDIA GeForce RTX 3090 GPU、32GB内存、Ubuntu 20.04系统上完成，结果取10次独立实验均值。

**3.2 粗配准算法比较分析**：对比快速全局配准（FGR）、采样一致性初始对齐（SAC-IA）、截断最小二乘估计与缩放（TEASER）和RANSAC四种方法。以均方根误差（RMSE）和相对平均距离（RMD）为指标，RANSAC在精度和计算效率之间取得最佳平衡（RMSE和RMD均优于其他方法，计算时间较短），因此被选为粗配准核心算法。

**3.3 精配准算法比较分析**：对比正态分布变换（NDT）、基于学习的PointNetLK、传统ICP和改进ICP四种方法。改进ICP通过自适应距离阈值和法向一致性约束有效消除误匹配点对，在精度和效率上达到最佳平衡（RMSE=2.15mm，RMD=1.81mm，时间2.41s），被选为精配准核心算法。

**3.4 组合配准算法比较分析**：对比FGR+NDT、SAC-IA+PointNetLK、TEASER+ICP和RANSAC+改进ICP四种组合。SAC-IA+PointNetLK精度最高但耗时最长，RANSAC+改进ICP在保证高精度的同时实现了最短配准时间（2.41s），达到精度与效率的最佳平衡。

**3.5 局部配准精度分析**：对比全局配准（直接配准完整点云）与局部配准（先提取钥匙孔重叠区域再配准）。局部配准将RMSE从5.17mm降至2.15mm（改善58.4%），RMD从4.39mm降至1.81mm（改善58.8%），时间从4.32s缩短至2.41s（效率提升44.2%），表明提取重叠区域显著提升了精度和效率。

**3.6 配准效果影响因素分析**：（3.6.1）选取不同重叠区域（锁孔区、锁头区、锁柄区）进行局部配准，锁孔区在平衡效率与精度上最优（误差最小，时间2.41s）；（3.6.2）模拟点云局部缺失条件（在边缘、棱角、钥匙孔处随机消除部分点云），局部配准后RMSE和RMD相比完整点云仅小幅增加，表明方法对局部缺失有良好鲁棒性；（3.6.3）向点云添加不同标准差（0–0.01）的高斯噪声，比较四种组合策略的噪声鲁棒性，RANSAC+改进ICP在所有噪声水平下保持最低RMSE且精度下降最平缓，具有最佳噪声鲁棒性。

**4 结果**：基于配准后的点云构建把手分割数据集（共120组配准点云，每组约20000点，按6:2:2分为训练、验证、测试集），采用平均交并比（mIoU）和总体精度（OA）评估分割性能，mIoU达86.7%，OA达92.4%。进一步对未配准、全局配准和局部配准点云进行三维重建，测量把手关键尺寸，局部配准方法得到的长度和直径测量值最接近实际尺寸，误差显著低于其他方法。

**总结与讨论**：研究人员提出的基于重叠区域的局部配准方法在精度和效率上优于全局配准方案，平均配准时间约2.41秒，为后续把手识别和机械臂控制预留了充足时间裕量，满足自动化码头感知环节的实时性要求。上述结论基于实验室模拟环境和所测试的比较方法，后续在实际港口自动化部署中的性能仍需进一步验证。未来可从以下方向深入研究：针对未充分验证的典型激光雷达噪声类型（如混合像素、稀疏异常点、非高斯伪影）以及扭锁在实际港口环境中可能遇到的生锈、物理变形、污垢侵蚀等复杂工况，开展更全面的复杂环境适应性实验；探索算法轻量化和硬件加速方案以进一步降低计算延迟；将配准结果与机械臂视觉伺服控制深度融合，形成完整的感知-规划-控制闭环，推动自动拆卸技术的工程实施。

**研究结论翻译**：针对集装箱扭锁自动切换操作中对扭锁空间位姿精确感知的需求，本文提出了一种基于重叠区域的局部点云配准方法。首先，通过HDBSCAN层次聚类算法自动提取多视角点云间的最大重叠区域（即钥匙孔区域），从而消除非重叠部分的干扰。在配准阶段，采用由粗到精的策略，结合基于FPFH特征的RANSAC粗配准和引入自适应阈值与法向约束的改进ICP精配准，在提高配准精度的同时显著优化了运行效率。在实验条件下，所提局部配准方法在配准精度和运行效率上均优于全局配准方案，平均配准时间约为2.41秒。它不仅为后续的扭锁把手识别和机械臂控制保留了充足的时间裕量，而且满足了自动化码头连续作业对感知环节的实时性要求。上述结论基于实验室模拟环境和测试的比较方法得出，后续在实际港口自动化部署中的性能仍需进一步验证。