(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210873867.2 (22)申请日 2022.07.20 (71)申请人 珠海格力 智能装备有限公司 地址 519000 广东省珠海市九洲大道中 2097号珠海凌达压缩机有限公司 1号 厂房及办公楼 申请人 珠海格力电器股份有限公司 (72)发明人 谭泽汉　刘丹　吴信宜　张天翼　 李德权　马徐武　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 胡晓静 (51)Int.Cl. G06T 7/33(2017.01) G06T 17/00(2006.01) (54)发明名称 一种三维点云配准方法、 装置、 介质及电子 设备 (57)摘要 本发明提供了一种三维点云配准方法、 装 置、 介质及电子设备， 该方法包括： 获取目标场景 在当前视角下对应的原点云数据及其在目标视 角下对应的目标点云数据； 从原点云数据中提取 与目标点云数据中相同的点云特征点， 并将提取 特征点存储于八叉树中； 通过 强化学习从八叉树 的每个叶子节点中选择点云特征点构成最优点 云特征点集合； 利用最优点云特征点集合及目标 点云数据中与最优点云特征点集合对应的点云 特征点， 计算目标齐次位姿变换矩阵， 以对原点 云数据进行点云配准。 通过利用八叉树数据结构 存储点云特征点， 然后引入强化学习对八叉树中 点云特征点学习寻找最优特征点， 解决了传统最 优点只获取局部最优的问题， 提高了点云配准的 精度， 以满足工程需求。 权利要求书2页 说明书10页 附图4页 CN 115239779 A 2022.10.25 CN 115239779 A 1.一种三维点云配准方法， 其特 征在于， 包括： 获取目标场景在当前视角下对应的原点云数据及其在 目标视角下对应的目标点云数 据； 从所述原点云数据中提取与 所述目标点云数据中相同的点云特征点， 并将提取特征点 存储于八叉树中， 所述八叉树的每 个叶子节点对应有 若干点云特 征点； 通过强化学习从所述八叉树的每个叶子节点中选择点云特征点构成最优点云特征点 集合； 利用所述最优点云特征点集合及所述目标点云数据中与所述最优点云特征点集合对 应的点云特 征点， 计算目标齐次位姿变换矩阵； 利用所述目标齐次位姿变换矩阵对所述原点云数据进行点云配准， 得到所述目标视角 下的点云配准数据。 2.根据权利要求1所述的方法， 其特征在于， 所述通过强化学习从所述八叉树的每个叶 子节点中选择点云特 征点构成最优点云特 征点集合， 包括： 从所述八叉树的每 个叶子节点中选择点云特 征点构成初始点云特 征点集合； 基于所述初始点云特征点集合及所述目标点云数据中与所述初始点云特征点集合对 应的点云特 征点， 计算当前齐次位姿变换矩阵； 利用所述当前齐次位姿变换矩阵对所述初始点云特征点集合的各个点云特征点进行 点云配准， 得到各配准特 征点； 分别计算各配准特 征点与所述目标点云数据中对应的点云特 征点的欧式距离； 将除当前点云特征点之外其他点云特征点对应的欧式距离的均值作为所述当前点云 特征点的距离特 征； 基于所述初始点云特征点集合中各点云特征点的距离特征， 以所述距离特征最小为强 化学习目标， 对所述初始点云特 征点集合进行强化学习更新， 以得到最优点云特 征点集合。 3.根据权利要求2所述的方法， 其特征在于， 所述从所述八叉树的每个叶子节点中选择 点云特征点构成初始点云特 征点集合， 包括： 从所述八叉树的每个叶子节点中依次随机选择点云特征点构成若干备选点云特征点 集合； 分别利用各备选点云特征点集合及所述目标点云数据中与所述备选点云特征点集合 对应的点云特 征点， 计算备选齐次位姿变换矩阵； 利用所述备选齐次位姿变换矩阵对所述备选点云特征点集合的各个点云特征点进行 点云配准； 计算各备选点云特征点集合在点云配准后的点云特征点与其在目标视角下对应的点 云特征点的欧式距离； 按照各备选点云特征点集合在点云配准后的点云特征点与其在目标视角下对应的点 云特征点的欧式距离， 从各 备选点云特 征点集合中筛选出所述初始点云特 征点集合。 4.根据权利要求3所述的方法， 其特征在于， 所述按照各备选点云特征点集合在点云配 准后的点云特征点与其在目标视角下对应的点云特征点的欧式距离， 从各备选点云特征点 集合中筛选出所述初始点云特 征点集合， 包括： 基于各备选点云特征点集合在点云配准后的点云特征点与其在目标视角下对应的点权　利　要　求　书 1/2 页 2 CN 115239779 A 2云特征点的欧式距离， 分别计算各 备选点云特 征点集合对应所有点云特 征点的距离均值； 按照各备选点云特征点集合对应所有点云特征点的距离均值从小到大的顺序， 从各备 选八叉树中筛 选出所述初始点云特 征点集合。 5.根据权利要求2至4任一项所述的方法， 其特征在于， 所述基于所述初始点云特征点 集合中各点云特征点的距离特征， 以所述距离特征为强化学习目标， 对所述初始点云特征 点集合进行强化学习更新， 以得到最优点云特 征点集合， 包括： 将所述初始点云特 征集合中距离特 征最大的第一 点云特征点剔除； 并从所述第一点云特征点对应的八叉树的叶子节点中选择第二点云特征点加入所述 初始点云特征集合， 并返回所述基于所述初始 点云特征点集合及所述目标点云数据中与所 述初始点云特征点集合对应的点云特征点， 计算当前齐次位姿变换矩阵的步骤进 行强化学 习， 直至得到最优点云特 征点集合。 6.根据权利要求1所述的方法， 其特征在于， 所述从所述原点云数据中提取与 所述目标 点云数据中相同的点云特 征点， 包括： 采用随机抽样一致算法从所述原点云数据中提取与所述目标点云数据中相同的点云 特征点。 7.根据权利要求1所述的方法， 其特征在于， 在从所述原点云数据中提取与 所述目标点 云数据中相同的点云特 征点之前， 所述方法还 包括： 对所述原点云数据和所述目标点云数据进行 滤波处理。 8.一种三维点云配准装置， 其特 征在于， 包括： 获取模块， 用于获取目标场景在 当前视角下对应的原点云数据及其在目标视角下对应 的目标点云数据； 第一处理模块， 用于从所述原点云数据中提取与 所述目标点云数据中相同的点云特征 点， 并将提取 特征点存储于八叉树中， 所述八叉树的每 个叶子节点对应有 若干点云特 征点； 第二处理模块， 用于通过强化学习从所述八叉树的每个叶子节点中选择点云特征点构 成最优点云特 征点集合； 第三处理模块， 用于利用所述最优点云特征点集合及所述目标点云数据中与 所述最优 点云特征点集合对应的点云特 征点， 计算目标齐次位姿变换矩阵； 第四处理模块， 用于利用所述目标齐次位姿变换矩阵对所述原点云数据进行点云配 准， 得到所述目标视角下的点云配准数据。 9.一种电子设备， 其特 征在于， 包括： 存储器和 处理器， 所述存储器和所述处理器之间互相通信连接， 所述存储器中存储有 计算机指令， 所述处理器通过执行所述计算机指令， 从而执行如权利要求1－7任一项所述 的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使计算机执 行如权利要求1－7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115239779 A 3