Детектирование лестниц в трёхмерных облаках точек с помощью RANSAC и оценки параметров ступеней на основе автокорреляции
Предложен робастный метод для детектирования лестниц для размещения стоп гуманоидного робота. Алгоритм восстанавливает ширину, высоту ступени и ориентацию лестницы из случайной выборки точек без ручной настройки параметров. Ключевое решение — оценка периода ступеней через автокорреляцию гистограммы.
Задача детектирования лестниц критически важна для автономных шагающих роботов, работающих в многоэтажных зданиях. Существующие подходы, как правило, сначала сегментируют отдельные плоскости ступеней, а затем эвристически объединяют их в лестницу — такой двухэтапный pipeline сложен в настройке и чувствителен к шуму.
В данной работе предложен метод, рассматривающий лестницу как единую периодическую поверхность. Алгоритм на основе RANSAC за одну итерацию оценивает четыре параметра: полную высоту лестницы, ширину и высоту ступени, угол ориентации. Направление подъёма определяется по центроидам нижних и верхних точек выборки, после чего облако поворачивается в локальную систему координат. Ширина и высота ступени восстанавливаются через автокорреляцию гистограммы проекций — метод, не требующий ручной настройки порогов и автоматически подавляющий шум и субгармоники.
На основе найденных параметров реализован планировщик размещения стоп, вычисляющий геометрически допустимые позиции для каждой ступени и проверяющий, помещается ли стопа робота на проступи. Синтетические эксперименты при реалистичном уровне шума 10 мм показали относительную ошибку менее 5% по ширине и высоте ступени, что соответствует абсолютной погрешности около 10 мм — в пределах допустимого для планирования шагов. Подробнее вы можете прочитать в приложенном PDF файле.
Staircase Detection in 3D Point Clouds via RANSAC.pdf