3D Spectral Domain Registration-Based Visual Servoing
3D Spectral Domain Registration-Based Visual Servoing
复制标题
DOI：
10.1109/icra48891.2023.10160430
复制
发表时间：
2023-03
期刊：
影响因子：
--
通讯作者：
Maxime Adjigble;B. Tamadazte;Cristiana Miranda de Farias;R. Stolkin;Naresh Marturi
中科院分区：
文献类型：
--
作者：
Maxime Adjigble;B. Tamadazte;Cristiana Miranda de Farias;R. Stolkin;Naresh Marturi
本文提出了一种基于谱域配准的三维点云视觉伺服方案。具体来说，我们提出了一个3D模型/点云对齐方法，它的工作原理是通过使用频谱分析找到一个参考和目标点云之间的全局转换。在$\mathbb{R}^{3}$中的3D快速傅立叶变换（FFT）用于平移估计，并且在$\boldsymbol{SO}（3）$中的真实的球谐函数用于旋转估计。这种方法使我们能够得到一个解耦的6自由度（DoF）控制器，其中我们使用梯度上升优化来最小化平移和旋转成本。然后，我们将展示如何使用这种方法来调节机器人手臂执行定位任务。与现有的最先进的基于深度的视觉伺服方法（需要密集的深度图或密集的点云）相比，我们的方法可以很好地处理部分点云，并且可以有效地处理参考位置和目标位置之间的更大变换。此外，使用光谱数据（而不是空间数据）的变换估计，使我们的方法强大的传感器引起的噪声和部分闭塞。我们通过使用机器人安装的深度相机获取的点云进行实验来验证我们的方法。所获得的结果表明，我们的视觉伺服方法的有效性。
This paper presents a spectral domain registration-based visual servoing scheme that works on 3D point clouds. Specifically, we propose a 3D model/point cloud alignment method, which works by finding a global transformation between reference and target point clouds using spectral analysis. A 3D Fast Fourier Transform (FFT) in $\mathbb{R}^{3}$ is used for the translation estimation, and the real spherical harmonics in $\boldsymbol{SO}(3)$ are used for the rotations estimation. Such an approach allows us to derive a decoupled 6 degrees of freedom (DoF) controller, where we use gradient ascent optimisation to minimise translation and rotational costs. We then show how this methodology can be used to regulate a robot arm to perform a positioning task. In contrast to the existing state-of-the-art depth-based visual servoing methods that either require dense depth maps or dense point clouds, our method works well with partial point clouds and can effectively handle larger transformations between the reference and the target positions. Furthermore, the use of spectral data (instead of spatial data) for transformation estimation makes our method robust to sensor-induced noise and partial occlusions. We validate our approach by performing experiments using point clouds acquired by a robot-mounted depth camera. Obtained results demonstrate the effectiveness of our visual servoing approach.