<?xml version="1.1" encoding="utf-8"?>
<article xsi:noNamespaceSchemaLocation="http://jats.nlm.nih.gov/publishing/1.1/xsd/JATS-journalpublishing1-mathml3.xsd" dtd-version="1.1" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><front><journal-meta><journal-id journal-id-type="publisher-id">TACS</journal-id><journal-title-group><journal-title>Technology and Application of Computer Science</journal-title></journal-title-group><issn>2998-8926</issn><eissn>2998-8934</eissn><publisher><publisher-name>Art and Technology</publisher-name></publisher></journal-meta><article-meta><article-id pub-id-type="doi">10.61369/TACS.2026080043</article-id><article-categories><subj-group subj-group-type="heading"><subject>Article</subject></subj-group></article-categories><title>基于异构数据特征融合的非规则回转体位姿估计算法</title><url>https://artdesignp.com/journal/TACS/3/8/10.61369/TACS.2026080043</url><author>程爱玲</author><pub-date pub-type="publication-year"><year>2026</year></pub-date><volume>3</volume><issue>8</issue><history><date date-type="pub"><published-time>2026-04-28</published-time></date></history><abstract>非规则回转体是精密制造、工业装配、机器人抓取领域核心零部件，高精度位姿估计是其自动化作业的关键。针对现有算法在低纹理、局部遮挡工况下位姿估计精度差，三维点云运算效率偏低，传统异构融合算法特征利用率不足等工程问题，本文提出RGB 图像与三维点云异构数据融合的三阶段非规则回转体位姿估计算法。算法分为目标分割、初始位姿估计、位姿求精三大模块：分割阶段嵌入轻量化注意力机制优化实例分割网络，提纯目标数据、优化边缘分割效果；初始位姿估计阶段依托回转体固有几何特征，设计高斯曲率自适应关键点分层采样策略，削减点云冗余数据，融合图像纹理、点云几何两类特征完成初始位姿求解；位姿求精阶段迭代修正二维- 三维匹配误差，优化位姿参数。工业工况实验表明，该算法适配低纹理、轻微遮挡复杂场景，相较于单模态与常规融合算法，位姿估计精度、鲁棒性与运算效率优势明显，能够满足工业精密自动化作业高精度使用要求。</abstract><keywords>非规则回转体,位姿估计,异构数据,特征融合,高斯曲率,注意力机制</keywords></article-meta></front><body/><back><ref-list><ref id="B1" content-type="article"><label>1</label><element-citation publication-type="journal"><p>[1] 魏隆星. 面向智能工厂应用的工件位姿估计算法研究[D]. 东北大学,2023.[2] 邓天睿. 基于三维点云点对特征的工件位姿估计方法研究[D]. 西南科技大学,2024.[3] 陈海永, 李龙腾, 陈鹏, 等. 复杂场景点云数据的6D 位姿估计深度学习网络[J]. 电子与信息学报,2022,44(5):1847-1855.[4] 夏文明, 曾庞钗, 陈斌, 等. 数字技术赋能数字化工厂实训室建设研究[J]. 科技与创新,2025,(18):188-191.[5] 疏阳, 孙轶琳, 梅振宇, 等. 基于多源数据的个体活动序列多步预测[J]. 浙江大学学报( 工学版),2025,59(11):2317-2325.[6] 房乾刚. 基于CMM 的涡轮叶片叶型测量数据补偿和配准方法研究[D]. 重庆大学,2024.[7] 孙梦. 三维点云数据配准技术研究[D]. 长春工业大学,2023.[8] 赵绍轩, 周晓光, 侯东阳, 等. 形状与位置先验信息引导的遥感影像建筑物域适应提取方法[J]. 遥感学报,2025,29(12):3609-3625.[9] 任可. 基于多尺度关键点提取的关系感知型点云补全方法[D]. 电子科技大学,2025.</p><pub-id pub-id-type="doi"/></element-citation></ref></ref-list></back></article>
