基于点云配准的汽车塑料零件自动化中面网格重建方法 马燕（Yan Ma） 唐宏斌（Hongbin Tang） 黄泽辉（Zehui Huang） 邓建蛟（Jianjiao Deng） 王景春（Jingchun Wang） 王世斌（Shibin Wang） 张志国（Zhiguo Zhang） 吴振江（Zhenjiang Wu）

《Vehicles》：Automated Mid-Surface Mesh Reconstruction for Automotive Plastic Parts Based on Point Cloud Registration Yan Ma, Hongbin Tang, Zehui Huang, Jianjiao Deng, Jingchun Wang, Shibin Wang, Zhiguo Zhang and Zhenjiang Wu

　　摘要 在汽车计算机辅助工程（CAE）中，高质量壳单元网格的精确度从根本上取决于中间曲面几何形状提取的准确性。对于复杂的汽车塑料部件，传统的手动提取方法不仅耗时庞大，容易出错，而且经常会影响网格的质量。为了解决这些问题，本文提出了一种基于点云配准的自动化中间曲面网格重建方法，构建了一个包括“多模式配准—位移绑定—曲面校正”在内的集成框架。该方法使用具有理想中间曲面的源部件作为模板，结合随机样本一致性（RANSAC）和迭代最近点（ICP）进行刚性配准，以及相干点漂移（CPD）进行非刚性配准，以实现目标部件和源部件外表面点云之间的高精度对齐。随后，通过K最近邻（K-NN）搜索机制将外表面位移场平滑转移到源部件的中间曲面点云上。经过位置校正和曲面 smoothing 后，生成了一个完整且高质量的目标中间曲面网格。在典型的塑料卡扣部件上的实验结果表明，生成的中间曲面与手动精制的“金标准”网格之间的法线投影误差小于0.05毫米。每个部件的处理时间约为38秒，与使用商业CAE软件进行手动提取相比，效率提高了73%以上。这种方法有效缓解了中间曲面扭曲和特征丢失等常见问题，为汽车CAE预处理提供了一种高精度、完全自动化的解决方案。

1. 引言
在现代汽车设计中，计算机辅助工程（CAE）利用数值模拟显著缩短了产品开发周期，降低了测试成本，并提升了结构性能[1,2]。作为CAE基石的有限元分析（FEA）广泛应用于结构强度、噪声、振动和 harshness（NVH）、疲劳耐久性以及轻量化设计[3]。由于车辆中薄壁结构（如车身面板和塑料支架）的普遍存在，使用壳单元进行离散化是行业标准，因为这种方法能够准确捕捉薄壁材料的力学行为并提高计算效率[4]。壳建模本质上涉及将3D实体缩减为一个理论上的中性层，即“中间曲面”。该中间曲面的几何精度和拓扑完整性直接决定了网格的质量以及最终模拟的可靠性[5]。因此，从复杂的计算机辅助设计（CAD）实体模型中提取高质量的中间曲面是几何设计与仿真分析之间的关键衔接[6,7]。不准确的提取会导致网格扭曲和虚假应力集中，严重影响工程决策的可靠性[8]。然而，从复杂实体自动生成理想中间曲面仍然是一个重大挑战[9]。
目前，中间曲面提取主要依赖于几何推理算法，包括中轴变换（MAT）[10]、弦轴变换（CAT）[11]、面匹配（Face Pairing）[12] 和虚拟分解（Virtual Decomposition）[13,14]。虽然这些方法在处理规则且厚度均匀的金属冲压件时相对成熟[2]，但在应用于具有复杂几何拓扑的部件时存在显著局限性。Mounir等人[15]指出，现有算法通常受限于预定义的特征集，需要预先去除详细特征。同样，Ma的研究[6]表明这些方法在处理复杂扫描特征时缺乏灵活性和适应性。尽管Sheen等人提出的实体收缩方法有所改进，但仍受到特征相互作用复杂性的限制[16]。Qin等人[17]和Jiang等人[18]的进一步研究表明，当遇到遮挡或非刚性变形时，传统方法的鲁棒性显著下降。总之，传统方法存在三个主要缺点：首先，它们识别和保留局部细小特征（例如小倒角、卡扣结构、薄肋）的能力较弱，常常导致关键机械特性的丢失或错误简化[19]；其次，它们对复杂表面的适应能力差；基于偏移量和布尔运算的核心算法难以有效处理非均匀壁厚和自由形态表面，经常导致拓扑错误，如几何扭曲、表面不连续或特征连接处的自相交[20]；最后，自动化程度低，处理复杂模型时往往需要大量的人工干预进行参数调整和修补，导致效率低下，高度依赖操作者的经验，且缺乏可重复性[21]。
这些挑战在汽车塑料部件（例如卡扣结构、内部装饰件和支架）的中间曲面提取中尤为突出。这类部件通常具有高几何复杂性，表现为薄壁、复杂的空间表面、多层次的卡扣结构以及由于凸起或安装柱引起的局部厚度变化[22]。这些特征使得传统的几何推理方法容易产生严重的拓扑错误，如孔洞和缺失的补丁，使得提取的中间曲面网格无法用于仿真[23]。即使是主流商业CAE软件（例如ANSYS Design Modeler，2023 R2版本）中的图形工具，在处理这类部件时也会遇到结果不稳定和手动操作繁琐的瓶颈，严重限制了CAE预处理的效率[24]。
为了克服传统几何方法的局限性，研究人员开始探索基于3D点云数据的新方法。作为逆向工程和3D重建的基础，点云配准技术在各个领域展示了广泛的应用潜力[25,26]，为基于扫描数据的模型重建提供了技术支持。根据变形的性质，配准可以分为刚性配准和非刚性配准两种类型[27]。虽然刚性配准可以解决全局姿态对齐问题，但Huang等人[28]指出，其假设的等距变形并不适用于现实中的非均匀变形。因此，必须引入非刚性配准来估计复杂的变形场。尽管非刚性配准在处理大变形、噪声和异常值方面表现出越来越高的鲁棒性[17,29]，但其对局部变形和拓扑结构的适应性仍需进一步提高[30,31,32]。
近年来，深度学习的进步——例如基于特征匹配的方法如PPFNet[33]和3DSmoothNet[34]，以及端到端的方法如FlowNet3D[35]和PRNet[36]——使得能够精确捕捉局部和全局点云特征[37,38]。这些方法专注于提高对遮挡[39]、大变形[40]和异常值[17,21]的鲁棒性，显著提升了配准的准确性和自动化程度。然而，现有的先进点云配准方法主要关注物体外表面的全局对齐，缺乏针对中间曲面（作为内部几何层）的特定变形迁移机制。特别是，关于如何在变形后保证关键细小特征（如卡扣结构）的特征保真的研究不足。
为了解决汽车塑料部件复杂几何处理中的自动化和准确性挑战，本文提出了一种基于点云配准的自动化中间曲面网格重建方法。与传统基于几何推理的技术路线不同，本研究创新性地引入了非刚性点云配准技术，构建了“多模式点云配准—位移场绑定—中间曲面几何校正”的集成解决方案。该方法旨在通过源部件和目标部件外表面点云之间的高精度对齐，实现位移迁移和中间曲面几何信息的自适应校正，从而实现高质量中间曲面网格的自动化重建。
塑料部件因其轻质特性、设计灵活性和耐腐蚀性而在汽车内部、外部和结构应用中得到广泛应用，例如保险杠、车门面板、仪表盘和电池包外壳，如图1所示。本文提出了一种基于点云配准的自动化方法，用于重建汽车塑料部件的中间曲面网格。核心机制是通过“位移迁移”生成目标中间曲面点云。该方法使用具有完整几何信息的源部件作为参考模板，该部件包括一个高精度的外表面点云和一个对应的标准中间曲面点云。对于具有相似拓扑但局部几何变化的目标部件，首先采用多步点云配准过程获得一个高精度的位移场，将该位移场映射到目标外表面，从而驱动源标准中间曲面点云自适应变形以匹配目标外表面的几何特征，进而生成目标中间曲面点云。这种工作流程避免了在目标部件上进行复杂的直接中间曲面提取操作，实现了高效和自动化的中间曲面网格生成。具体的技术路线如图2所示。
本文的其余部分组织如下：第2节详细介绍了自动化中间曲面网格重建方法的总体框架和关键技术路线；第3节提出了一种基于区域生长和RANSAC拟合的位置校正算法，用于解决局部扭曲和抖动问题；第4节使用典型的汽车塑料卡扣部件系统地验证了该方法的几何精度、处理效率和鲁棒性，并讨论了该方法的优势和局限性；第5节总结了本文并概述了未来的研究方向。

2. 中间曲面点云生成
2.1 卡扣结构的相似性评估
首先，通过选择典型的汽车塑料卡扣部件作为源部件，建立了一个标准化的源点云数据库。使用商业CAE软件创建标准的外表面和中间曲面网格模型，并通过软件的应用程序编程接口（API）提取顶点坐标，将这些网格模型自动转换为点云数据。通过批量处理多组源部件，构建了一个“外表面–中间曲面”点云对应关系的数据库。该数据转换过程通过CAE软件API实现，形成了一个封闭的技术循环，支持从网格到点云的转换以及将生成的目标中间曲面点云重新构建为CAE软件可读格式。
对于给定的目标部件，只需输入外表面点云（包含3D坐标信息）。系统会自动将其与源库匹配，以确定是否存在合适的模板。匹配过程包括两个主要步骤：3D坐标 flatening 和重叠量化。

2.1.1 3D坐标 flatening
采用基于体素的离散化策略来高效地进行空间重叠评估。为了避免计算密集型的连续3D距离计算，将连续空间量化为体素网格。每个点被赋予一个唯一的1D体素索引，将问题转化为离散表示的比较，从而大大提高了计算效率，特别是在计算交并比（IoU）所需的集合操作中。
首先进行空间体素化：使用目标和当前源点云的最小边界框的并集作为空间边界，将3D空间均匀离散化为边长为1毫米的立方体体素。接下来应用1D索引映射：对于目标或源点云中的任何3D点（x, y, z），通过坐标标准化消除全局位置差异。计算该点相对于边界框在三个方向上的偏移量（x′, y′, z′），并确定其3D体素索引，公式如下：
(??,??,??)=([??′??],[??′??],[??′??]),
其中i, j, k分别是x、y、z方向的体素索引，d是从3D点到边界框的距离，定义为：
??=√(??′)2+(??′)2+(??′)2。
最后，使用以下公式将3D索引映射到1D特征索引：
?=??+???????+????????????，
其中Sx, Sy, Sz分别表示x、y、z方向的体素分割数。此过程在将3D匹配问题转换为快速的1D特征比较的同时，保留了点云的空间分布特性。

2.1.2 基于交并比（IoU）的相似性评估
在维度降低之后，使用3D IoU来量化目标点云和源点云之间的空间重叠，以评估相似性。根据体素映射结果，使用体素网格占用方法构建体素集Vtar和Vsrc。具体来说，首先对外表面点云进行坐标偏移校正，以消除全局位置差异，将合并集的最小坐标向量设置为局部原点。然后计算交集体素索引和并集体素索引的数量。IoU定义为：
3????????????=|??????????∩??????????||??????????∪??????????|。
IoU的值范围在[0, 1]之间，较高的值表示更大的空间重叠和几何一致性。如表1所示，实验结果表明，当IoU阈值为0.95时，识别准确率可超过99.2%，同时保持计算效率。这一阈值有效地促进了“相似性评估–源点选择”过程。表1. 不同IoU阈值下的性能结果比较。2.2. 刚体配准为了在源点和目标点云的外表面之间建立精确的空间对应关系，首先进行刚体配准。这一步旨在消除全局平移和旋转差异，为后续的非刚性变形分析提供一个误差可控的初始姿态。2.2.1. RANSAC刚体粗配准RANSAC粗配准通过随机采样策略快速估计初始的空间变换。核心工作流程包括点云降采样、局部特征提取和基于RANSAC的全局变换估计。(1) 体素网格降采样使用体素网格过滤来降采样原始点云。体素大小根据汽车塑料零件的扫描精度和特征保留要求来确定。小于0.8毫米的大小会显著增加计算量，而大于1.2毫米的大小则有丢失细节特征（如卡扣）的风险。选择1.0毫米的体素边长以平衡效率和特征完整性。处理原始的3D外表面点云P以输出降采样的点云P′。(2) 快速点特征直方图（FPFH）提取FPFH采用“预处理–特征计算”相结合的方法来描述点云的局部几何结构。使用降采样的点云P′作为输入，为每个点pi生成一个特征描述符fi，形成一个特征矩阵F。具体步骤如下：1. 邻域搜索：对于任何点pi，检索其K-NN。如表2所示，随着K值的增加，匹配精度提高并趋于稳定。当K值较小时，特征描述符对噪声更敏感，导致匹配精度相对较低（低于80%）。当K增加到30时，匹配精度稳定在92%左右，计算时间仍保持在可接受范围内。当K = 40时，计算时间 compared to K = 30时增加了45%，但匹配精度的提高很微小。因此，选择K = 30作为精度和效率之间的最佳平衡。表2. 不同K-NN值下邻居搜索的性能比较。2. 构建局部坐标系：在pi处构建一个局部Darboux框架{u, v, w}，以将局部几何描述与全局旋转分离：?{ { {?{ { {???=??????=?????????‖?????????‖??=??×??, (5)其中u是点法线，v表示相对位置方向，ω垂直于u-v平面。3. 角度特征计算：计算pi与其每个邻居pj之间的三个角度特征(αj, φj, θj)以表征局部几何结构：?{ { {?{ { {?????=?????????????=??????????????‖?????????‖2????=arc?tan?2?(?????????,?????????), (6)其中αj是邻居点法线在v轴上的投影，φj是相对位置在u轴上的投影，θj表示邻居点法线的方位角。通过对这些几何关系的量化和统计描述，生成一个能够反映点云局部几何特征的直方图。4. 特征融合和规范化：通过对点pi及其邻居的SPFH进行距离加权平均来融合特征。引入距离加权因子可以实现局部聚焦效果，优先考虑来自较近邻居的贡献，即靠近点的邻居对其特征的贡献更大。加权融合后，结果经过规范化处理，生成最终的特征向量，然后用于构建特征矩阵。具体计算过程如下：?{ { { { {?{ { { { {?????????????????????????=???+∑??∈????1‖?????????‖2????????=(???+∑??∈????1‖?????????‖2????)/∥????????????????????????∥2??=[??1,??2…,??|??′|]??。此时，特征矩阵全面准确地捕获了降采样源点云中每个点的局部几何特征，为基于RANSAC算法的后续全局点云配准提供了可靠的数据基础。(3)RANSAC粗配准估计RANSAC粗配准是点云配准中的关键步骤。它负责快速且稳健地获得源点和目标点云之间的初始空间变换关系，从而为精细配准提供可靠的初始值。基于提取的FPFH特征，使用RANSAC算法求解最优的刚体变换矩阵。具体步骤如下：首先构建一个候选对应点集，得到几何上兼容的初始匹配对。然后定义一个特征距离阈值来筛选出可信的匹配对，计算公式如下：????=0.85??????????????????2(????),???=1,2,…,|??′|????=∥?????????2(??)∥2，其中δi表示源点特征fi与其在目标点云中最近邻居特征fNN(i)之间的L2距离。操作median(·)表示取中值，有助于减少异常值对阈值的干扰。此外，还设置以下初始匹配对筛选条件：????

相关新闻