摘要： 地下巷道结构狭长且支道繁多,在地下巷道中获取的点云需要进行点云配准获得完整数据,传统的点 云配准方法对点云初始位置要求高并且计算迭代次数多,在环境复杂且数据量巨大的地下巷道场景点云中配准效果 不佳且计算缓慢。因此,基于深度学习技术,以PCRNet 为基础并结合边缘卷积网络在局部特征提取中的优势,构建 了一种基于边缘卷积的点云直接配准网络DGRNet,该网络在特征提取模块利用边缘卷积核对输入的点云进行特征 提取,能更好地对三维点云的复杂特征变化和几何结构进行学习,提高了对场景局部特征的理解能力。试验结果表 明:DGRNet 网络在物体模型中对比其他网络在整体上有着更好的配准精度,并且在点云噪声影响下能够保持配准精 度稳定,有着较好的鲁棒性;DGRNet 在巷道点云配准场景中的4 种误差均最小,并且对比PCRNet 误差分别降低了 19. 0%、20. 1%、24. 2%、21. 0%。由此可见,DGRNet 网络能够进行高精度的点云配准,为复杂的地下巷道场景点云配 准提供了一种新方法。

关键词: 点云配准　深度学习　三维激光扫描　巷道　PCRNet　DGRNet