Objektdeteksjon i punktskyer

Abstract

Denne rapporten bygger på utfordringen med å registrere 3D-modeller i punktskyer fra et 3D-kamera, med fokus på hvordan man nøyaktig kan identifisere og plassere disse modellene. Prosjektet går ut på å utvikle et testrammeverk og vurdere eksisterende metoder for å se hvor nøyaktige og effektive de er, samt hva begrensningene deres er når det gjelder objektdeteksjon og transformasjonsestimering. Arbeidet er motivert av potensielle bruksområder innen robotikk og automatisert inspeksjon, hvor presis registrering er avgjørende.

Rapporten beskriver hvordan vi implementerte et testrammeverk for systematisk å evaluere og sammenligne ulike algoritmer under kontrollerte forhold. Dette inkluderer forberedelse av punktskydata ved bruk av både virkelige data fra et 3D-kamera og simulerte data fra Blender. Viktige evalueringskriterier er nøyaktighet, effektivitet og hvordan algoritmene håndterer støy og okklusjon.

Resultatene fra testene våre er dokumentert og analysert, og de gir innsikt i hvordan hver algoritme presterer under forskjellige forhold. Funnene peker også på områder som kan forbedres.

This report builds upon the challenge of registering 3D models in point clouds obtained from a 3D camera, focusing on accurately identifying and positioning these models. The project involves developing a test framework and evaluating existing methods to determine their accuracy, efficiency, and limitations in object detection and transformation estimation. This work is motivated by potential applications in robotics and automated inspection, where precise registration is crucial.

The report describes how we implemented a test framework to systematically evaluate and compare various algorithms under controlled conditions. This includes preparing point cloud data using both real-world data from a 3D camera and simulated data from Blender. Key evaluation criteria are accuracy, efficiency, and the algorithms' ability to handle noise and occlusion.

Our test results are documented and analyzed, providing insights into each algorithm's performance under different conditions. The findings also highlight areas for improvement.