-
空间非合作目标运动主要由绕自旋轴和绕进动轴的两个旋转分量决定,采用环绕伴飞或进动等方式可获得不同视角的轮廓。为明确文中研究目的,即位姿测量中不同视角阵列点云拼接配准问题,对此类目标低姿态分量加以简化,建立多视角空间探测仿真工况。采用组合式粗+精配准算法作为对比,结合文中改进相干点漂移方法,对所采集的不同工况下空间非合作目标阵列式点云进行配准验证。
为了定量化评价匹配结果,采用LCP测度(重叠系数)及RMSE均方误差这两个常用指标作为衡量最终配准效果的依据。LCP定义如上节所述,即对变换后点云
$ {P}_{s} $ 中某个点,在容差范围内存在任意点云$ {P}_{t} $ 中点则认为是重合点,其比例为LCP测度,容差$ r $ 为0.05。此外,定义均方误差为:式中:
$ {p}_{s}^{i} $ 为配准后的源点云,规模为$ \left|{P}_{s}\right| $ ,其内部各点离目标点云$ {P}_{t} $ 最近的点为${\widetilde{p}}_{t}^{i}$ 。通常而言,若配准方法使得变换后的源点云RMSE相对差异较小时,当其LCP测度越大,则配准效果越好。 -
结合当前大规模盖格/线性APD焦平面阵列的研制进展,仿真像元规模为
$ 128\times 128 $ ,视场约为$ 3{\text{°}}\times 3{\text{°}} $ 。为了更清晰地反映相邻待配准点云之间的关系,采用相邻两帧点云在本体坐标系下的视角差$ \Delta \varphi $ 和相对距离$ R $ 作为自变量。文中仿真过程中主要考虑到以下两种典型的简化后空间探测工况:(1)成像平台环绕以某姿态分量不断变化的卫星目标进行全视角采集。在近似圆周运动下,假设平台运动的线速率为
$ v $ ,此时系统的成像帧频可表示为:采用某卫星三维模型,其外接矩体包围框约
$ 1.8\;\mathrm{m}\times 4.8\;\mathrm{m}\times 1.9\;\mathrm{m} $ 。如图3所示,探测距离为80 m,$ Z $ 轴姿态角在90°~180°之间连续地变换,平台绕$ Y $ 轴采集相邻视角差为10°的点云数据。在该数据集内按指定视角间距大小选取待配准点云,验证系统在不同成像帧频下的配准效果。(2)成像平台向非合作目标连续进动。目标的
$ X $ 轴姿态分量不断变换,该场景下点云具有分布密度不一致、平移分量差异大等特性。如图3所示,探测目标绕$ X $ 轴转动,载荷平台从90 m进动至40 m,数据集中相邻探测间隔为10 m,其不同帧点云之间具有较大的视角差异性。在空间探测场景下,受环境背景噪声、探测器串扰以及时间测量板的量化精度等因素影响,焦平面测距值无法达到绝对仿真距离。主要包括两点:一是实际点云通常以随机偏差分布在绝对真实值点云的周围;二是尽管多数离散噪点可以通过体素滤波等进行预处理,但环境背景及串扰导致的边缘模糊,使得分布在正确点云周围的噪点无法有效滤除,并参与配准运算。因此,需要对以上两种仿真工况下得到的绝对点云进行退化,约束其精度及信噪比。
假设激光脉冲波形及探测器内部响应造成的系统误差呈高斯分布,在绝对点云的各个维度上,加入均值为理论值,标准差
$ \sigma $ 为$ 0.005 $ 的扰动量,即:式中:
$ {p}_{x,y,z}' $ 为输出点云;$ {p}_{x,y,z} $ 为绝对值;各维度偏差量为$ {\varepsilon }_{x,y,z} $ ;服从概率密度为$ f\left(\varepsilon \right) $ 的高斯分布。此外,针对面阵探测器的串扰模糊效应,对上述步骤处理后的含噪点云,按照指定比率将选定点周围点集进行随机替换:坐标点集规模为
$ N $ ,近距离随机噪点比率为$ \sigma $ ,选取$ \sigma N $ 个随机点,寻找并计算其周围$ k $ 点的均值并替换。该实验中仿真点云中模糊比率$ \sigma $ 为$ 0.2 $ ,噪点周围均值统计点数$ k $ 为10。图4(a)和(b)分别为某视角下的绝对仿真点云和退化后待配准点云,逼近真实探测场景的情况。Figure 3. (a) Case 1: The platform rotates around the Y axis of the 80 m target, and the satellite moves around the Z axis; (b) is the correspondence between the target attitude and the observation angle; (c) Case 2: The platform moves along the Y axis from 90 m to 40 m, and the satellite moves around the X axis; (d) is the link between the target attitude and the detection distance
-
为了验证算法性能,使用以上含噪仿真数据集进行配准分析。对于初始位姿差异较大的点云,直接使用ICP方法极易陷入局部最小值,导致配准结果可靠性较差。因此本节分别采用基于FPFH特征匹配的随机采样一致性SAC算法、基于正态分布变换算法和基于主成分分析方法的初始粗配准算法,结合ICP方法进行精配准,以及文中方法,对指定相邻帧点云进行配准分析。
原始点云的初始位姿差异大小是检验鲁棒性的重要因素。对于工况1,相邻两帧待配准点云间姿态差异由系统成像帧频决定,反映于成像平台绕目标的观测角。图5所示为初始状态下相邻观测角间隔
$ \Delta \theta $ 为90°(即$ {\theta }_{1}=0{\text{°}},{\theta }_{2}=90{\text{°}} $ )时的配准结果。如表1所示,由于多数点邻域的特征近似,基于FPFH特征的SAC配准方法在此类空间矩体轮廓下的匹配误差较大,其粗配和精配的RMSE分别为0.651和0.174,其ICP精配准过程陷入了局部值。NDT算法不需要对点云进行特征计算及匹配,计算速度相对较快,通过将离散点云分为多个块状网格来计算分布参数,在该类维度信息不规整的空间非合作目标下的映射关系难以收敛,因此未能取得预期配准效果。对于PCA+ICP方法而言,正适用于此类主成分分量明显的目标,其初始配准的LCP测度和RMSE分别为32%和0.131。需要注意,由于PCA方法对各主轴方向具有极性两向性,因此不同场合下对ICP精配的初始输入姿态差异较大,导致精配过程中可能朝错误方向收敛。针对文中的优化相干点漂移方法,相对PCA+ICP配准算法而言,在RMSE近似相同的情况下的耗时量略有提高,重叠度提升了约9%,在后续相邻帧连续配准实验中,其匹配可靠性优势较显著。
Figure 5. Registration results when the difference between the viewing angles of adjacent point cloud is 90 °under Case 1: (a) SAC+ ICP; (b) NDT + ICP; (c) PCA + ICP; (d) Proposed method
Method SAC+ICP NDT+ICP PCA+ICP Proposed Run time/s 2.03 1.85 1.72 2.10 LCP Rough 5.1% 15.1% 32.0% 69.2% Precise 18.0% 8.3% 63.6% RMSE Rough 0.651 0.504 0.131 0.106 Precise 0.174 0.474 0.102 Table 1. Evaluation of registration results when the viewing angles are 0° and 90° respectively in Case 1
此外,针对工况1数据集,指定绕飞成像帧频使得相邻待配准点云帧视角差
$ \Delta \varphi $ 分别为30°和60°,进行连续配准试验。图6中,文中配准方法在相邻视角差为30°时,随着成像平台的不断运动,LCP测度在0.75~0.95之间呈现出交替变换,符合目标姿态及观测角不断调整时的点云特性规律。其余方法的重叠度和RMSE均呈现出较大幅度振荡,并出现了不同程度地误配准,具有较低鲁棒性。Figure 6. Registration results when the viewing angle difference is 30° and 60° in Case 1: (a)-(d) are the results of SAC+ICP, NDT+ICP, PCA+ICP and the proposed method when the viewing angle difference is 30°. Similarly, (e)-(f) correspond to the 60° viewing angle difference
在工况2下,相邻待配准点云之间的差异不仅体现在不断变化的目标姿态上,其重叠度和分布密度也随探测距离的降低而产生差异。图7(a)为探测距离为90 m和60 m时的待配准点云,两者相对于X轴位姿差为60°。图7(b)~(e)及表2分别为以上配准框架的结果。该视角下点云所含特征信息量较大,基于特征匹配的方法表现出了较强的配准能力,其重叠度和RMSE分别达到了58.8%和0.105,但耗时量有所增加。对于主成分分析方法,极性模糊造成的姿态差异过大使得精配准中出现误配准现象。文中的改进相干点漂移算法在耗时量和RMSE上,相对SAC+ICP方法较高,其重叠度提升了约34%,从图(b)和图(e)的配准结果可以看到,两种方法配准结果的重叠度具有明显提升。
Figure 7. Registration results when the distance between adjacent point cloud is 30 m under Case 2: (a) Initial position; (b) SAC + ICP; (c) NDT + ICP; (d) PCA + ICP; (e) Proposed method
Method SAC+ICP NDT+ICP PCA+ICP Proposed Run time/s 2.62 2.42 2.28 2.54 LCP 58.8% 11.0% 34.5% 78.6% RMSE 0.105 0.459 0.146 0.114 Table 2. Evaluation of registration results in Case 2 when the detection distance is 90 m and 60 m respectively
此外,仍然采用相邻两帧点云连续相互配准的方式对算法进行测试。为了使点云间差异更加直观,采用相邻点云的距离间隔作为衡量依据。在距离差分别为10 m (X轴视角差为20°)和20 m (X轴视角差为40°)时,使用上述方法进行配准,其结果如图8所示。由此可以看出,文中方法在均方误差以及重叠度上均表现出较稳定的变化趋势,其结果可靠性优于其他粗+精组合配准方法。
-
考虑到在真实空间探测场景中存在情况:受某些背景辐射源的影响造成点云信噪比过低;焦平面阵列或激光器性能裂化,使得光电探测能力随着载荷服务时长出现不同程度地下降,导致点云数据变得稀疏。本节针对该类极限扰动场景下点云进行仿真与配准验证。 采用上节工况2中探测距离为90 m的仿真数据作为目标点云,源点云为平台向前进动30 m后,待配准点云相对X轴的视角差为60度。在原退化点云的噪声基础上,依次叠加标准差
$ \sigma $ 为0.02和0.05的扰动量、比率$ \tau $ 为0.5和0.8的近距离随机噪点,其定义如2.1节所述。取上述试验中结果相对可靠的三种配准方法:基于特征匹配的SAC+ICP框架、基于主成分分析+ICP精配准以及文中相干点漂移方法,其配准结果评价指标如表3所示。Method Evaluation $ \sigma =0.02,\tau =0.5 $ $ \sigma =0.02,\tau =0.8 $ $ \sigma =0.05,\tau =0.5 $ $ \sigma =0.05,\tau =0.8 $ SAC+ICP RMSE 0.154 0.110 0.133 0.143 LCP 25.4% 51.9% 25.0% 22.5% PCA+ICP RMSE 0.142 0.110 0.102 0.112 LCP 33.7% 52.0% 41.6% 38.7% Proposed RMSE 0.118 0.123 0.105 0.125 LCP 67.2% 69.1% 49.5% 48.4% Table 3. Evaluation of results when the distance is 90 m and 60 m respectively under strong noise disturbance in Case 2
从图9可以看到,前面两种配准框架在点云数据质量发生剧烈下降后,均出现了不同程度的误配准,特别是噪声标准差
$ \sigma $ 变大,其结果将受到显著影响。对于文中方法,其平均RMSE和LCP测度相对其他两种方法分别提升了约6%和61%,连续配准时的结果具有明显的鲁棒性优势。在不同噪声分布特性下,该优化方法完成了多视角点云的配准任务,具有较强的抗噪声干扰能力。
Optimization and validation of coherent point drift for planar-array-based point cloud in space pose measurement
doi: 10.3788/IRLA20220367
- Received Date: 2022-05-27
- Rev Recd Date: 2022-06-26
- Publish Date: 2023-02-25
Abstract: The planar-array-based imaging radar can achieve transient 3D detection and is suitable for pose measurement of moving platforms or non-cooperative targets. A multi-view point cloud auto-registration method for pose measurement of spatially non-cooperative targets was proposed for non-uniform grid point clouds with crosstalk characteristics between adjacent pixels. Based on the principle of improved coherent point drift (CPD), the method treats the target point cloud as the data distribution set and the source point cloud as the set of center-of-mass points of Gaussian mixture model (GMM). The likelihood function of the constructed GMM model is solved by using Bayesian posterior probability formula and Expectation-Maximum (EM), and the weight of the point set are adaptively adjusted by the overlap of the point clouds in the optimization process. The distance residuals between source point set after one EM iteration are ranked, the optimal transformed point cloud pair is selected, and the local perturbation quantity is established using the nearest neighbor method to obtain the spatial transformation matrix for each drift iteration. To avoid getting into local solutions, the attributes of the point set involved in the drift operation are alternated by supervising the mean square error update rate of the point cloud. For spatially targets, two simulation conditions are established to obtain multi-view non-cooperative target point cloud datasets. The results show that the method is robust under the strong noise and pixels blurring interference, and the average largest common point set corresponding is improved by approximately 61% compared with the other coarse-fine registration strategy, which can be applied to the non-cooperative target pose measurement under the spatial planar-array-based 3D imaging platform.