Departamento de Computación

En este trabajo se presenta el diseño y construcción de un escáner basado en un sensor láser 2D comercial de alta precisión. En el diseño propuesto se desplaza el objeto sobre el plano cartesiano xy, lo que posibilita obtener los puntos que describen la superficie de objetos del mundo real. Todos los puntos se guardan en archivos conocidos como archivos de nubes de puntos. Posteriormente se describe una metodología basada en el paradigma Muestra Aleatoria de Consenso (MAC, en inglés Random Sample Consensus (RANSAC)) y un muestreo no uniforme que permite ajustar los parámetros de primitivas geométricas a las nubes de puntos de una manera más eficiente que un muestreo uniforme y acelerar la convergencia del algoritmo MAC. En este trabajo los modelos que se proponen usar en el algoritmo implementado usan técnicas directas, o técnicas lineales, de estimación de primitivas geométricas basados en la descomposición de matrices en valores y vectores propios y sistemas de ecuaciones lineales, empleando solamente la información de las coordenadas de los puntos. Las primitivas geométricas que se trabajaron son: planos, esferas, cilindros y conos. También se hace la propuesta de la implementación de una metodología para el registro de nubes de puntos mediante el uso de descriptores de superficie, una combinación del algoritmo Puntos más Cercanos Iterativo (PMCI), (en inglés Iterative Closest Point (ICP)) y un método de mínimos cuadrados como lo es el algoritmo propuesto por Levenberg-Marquardt, dando como resultado una metodología útil para resolver el problema del registro en 3D de forma eficiente.

Abstract

In this work we present the design and build of a scanner based on a high precision commercial laser. In the proposed design, the scanned object is displaced over the xy Cartesian plane, which makes it possible to obtain all the points describing the surface object. All those scanned points are stored in a file named cloud pointfile. We also develop a methodology to extract geometric primitives inside the cloud point file. This methodology is based on the Random Sample Consensus (RANSAC)) paradigm. As we have the scanned points sorted in the scanned direction, we improve the execution time of RANSAC using a non-uniform sampling instead of the standard uniform sampling on unordered cloud point. In this work we use linear algorithms to estimate the consensus model of the geometric primitives plane, sphere, cylinder, and cone. These linear algorithms are estimated using the Singular Value Decomposition. Finally, we also use the Iterative Closest Point (ICP) algorithm to register two clouds of points, and we develop a new approach to use surface descriptors, instead of points, for the ICP algorithm. We use the standard non-linear optimizing algorithm Levenberg-Marquardt inside the ICP algorithm, for solving in an eficient way the problem of 3D registration.