基于主動學習的三維點云數據建模與裝配質量預測*

李彥征，鄒昌利，劉銀華

(上海理工大學機械工程學院，上海 200093)

0 引言

人工智能算法、機器人、大數據和在線三維掃描儀等[1-4]軟硬件的跨越式發展，促使著傳統制造業的重大變革。而如何通過準確估計工藝參數，確保產品的尺寸質量是現階段汽車制造和航空航天領域面臨的一個重大挑戰。實現這一目標的關鍵是建立尺寸變化和工藝參數之間的映射關系模型。

傳統的診斷裝配過程尺寸變化故障的方法主要有統計估計和基于模式匹配的方法。CEGLAREK等[5]使用了基于CAD的變形模式和故障匹配技術，該技術將主成分分析和模式相似性相結合進行故障診斷。之后DING等[6]又使用狀態空間模型和變化流模型將該方法推廣到多級裝配中。JIN等[7]提出了一種基于完整測量數據集的貝葉斯網絡方法，該方法用于快速檢測和定位裝配夾具故障。BASTANI等[8]通過利用各種誤差源的尺寸變化的空間相關性，對欠定系統使用了空間相關的貝葉斯學習算法。但是上述方法都是線性模型，對于高維和非線性系統存在很大的局限性。

為了解決上述傳統方法的局限性，在點云數據建模領域引入了深度學習建模方法[9-11]，該方法被廣泛應用到數據的建模，并且建模精度取得了顯著的提升。QI等[12]提出了PointNet網絡結構，該結構一方面通過STN解決點云旋轉問題，另一方面通過MaxPooling解決無序問題。QI等[13]之后又提出PointNet++網絡結構，改善了局部特征提取。LIU等[14]基于幾何關系提出了RS-CNN網絡，該網絡把原來基于有序信息的網絡擴展到可以適應無序信息的網絡。……