通过三维激光扫描仪获取的原始点云数据量庞大,不利于后期的数据处理工作。现有的基于曲率值的点云压缩方法容易引起亚特征区域细节丢失的问题。针对这一问题,提出了一种基于曲率分级的点云数据压缩方法。该方法通过计算曲率反映点云数据中特征的分布情况,采用对数函数对归一化后的曲率值进行分级,对不同等级的点进行空间网格划分后根据点的曲率等级实现点云的分级压缩。实验结果表明,所提方法能在大幅度减少数据量的同时,较好地保留原始数据的细节特征,从而实现对点云数据的高效压缩。

针对传统的机器人柔性坐标测量方法中，机器人模型不完善及机器人固定参数不断变化导致测量精度难以提高的问题，提出一种基于双目视觉原理的全局实时校准方法，组建由两台相机组成的高精度全局校准单元，通过测量布置在机器人末端视觉传感器上的控制点阵，实时得到机器人末端的空间位姿，实现机器人在全局空间的精确定位。提出基于空间网格控制场的相机校准方法，构建像面坐标系上的残差库，实现相机在全视场空间内的高精度校准。实验表明，采用上述方法可实现±0.1 mm的双相机校准精度，整个系统的测量精度可达±0.15 mm，从根本上摆脱了机器人运动学模型及参数误差带来的影响，有效地保证了柔性坐标测量系统的精度。