Energy Efficient RANSAC Algorithm for Flat Surface Detection in Point Clouds

Abstract

Автоматичні системи контролю мобільних роботів досягають більшої ефективності за рахунок використання робастних алгоритмів навігації на основі оптичних датчиків, які формують тривимірну карту навколо об’єкта керування. Робота таких алгоритмів, зазвичай, спрямована на: детектування ключових об’єктів навколишнього середовища; пошук попередньо визначених об’єктів для релокації власного положення робота. Для вирішення проблеми детектування об’єктів із хмар точок існує багато різних підходів, але обчислювальна складність більшості із них висока. В цій роботі досліджено різні варіації методу консенсусу випадкової вибірки (RANSAC) для детектування об’єктів, заданих математичною моделлю аналітичного виду. Для порівняння методів використано статистичні характеристики аналізу даних. Результати демонструють найенергоефективніший метод виявлення площин, який обробляє 60 кадрів RGB-D камери за секунду.Mobile robots control systems achieve greater efficiency through the use of robust environmental analysis algorithms based on data collected from optical sensors such as depth cameras, Light Detection and Ranging sensors (LIDARs). These data sources provide information about control object environment in point cloud. The work of such algorithms, as a rule, is aimed at detecting the objects of interest and searching for the specified objects, as well as relocating its own position on the scene. There are many different approaches for solving object detection problem in point clouds, but most of them require high computational resources. In this work, many variations of the random sample consensus (RANSAC) method are analyzed for objects defined by a mathematical model of an analytical form. Statistical characteristics of data analysis were used to compare the methods. The results demonstrate the most energy efficient flat surface detection method that processes 60 RGB-D camera frames per second.