上个月处理一个结构光相机的3D测高项目,点云在Halcon里做完平面拟合后,渲染出来的平面贴合度非常好,肉眼几乎看不出缝隙,但输出到产线的距离数据始终比千分尺实测值偏了0.4mm。整个下午都在反复检查算子调用、点云滤波和标定参数,最后发现根因根本不在流程上,而是藏在平面方程和距离计算背后的几个数学细节里。这类情况在 Halcon做3D点云平面拟合与距离计算 的场景中非常典型,尤其是刚把算法从Halcon迁到自己写的C++代码里的那段时间,几乎每个项目都会踩一脚。这篇文章会把我在实际项目中踩过的、帮别人排查过的5个关键陷阱完整拆开,从数学原理讲到Halcon算子的具体表现,再给出一套可以提前自检的验证方法。
1. 数学地基:Halcon拟合平面对应的到底是哪个最小二乘解
很多人在Halcon里用拟合平面算子,拿到结果就直接用,很少去关心算子内部到底优化了什么目标函数。而恰恰是这个"不关心",让后续一系列问题越埋越深。
1.1 平面拟合的目标函数不是唯一解
一个空间平面在数学上有多种表达方式,最常见的是法向量式:
n · p = d
其中n是平面法向量,p是平面上任意点坐标,d是原点到平面的带符号距离。
Halcon拟合平面时,默认走的是最小二乘路径。这个"最小二乘"具体优化的是每个点到平面的 带符号距离的平方和 。写成公式就是:
min Σ (n · pᵢ - d)² (同时约束 ||n|| = 1)
这个形式在数学上对应一个经典求解方法:对点云做中心化,然后构造协方差矩阵并做特征分解。最小特征值对应的特征向量就是平面法向量,d则由中心点的投影确定。
1.2 用Python可以5行复现核心逻辑
Halcon虽然在界面上给你封装好了,但为了真正理解它,我用Python做过一次最小二乘拟合的复现,核心代码非常短:
import numpy as np
def fit_plane(points):
centroid = points.mean(axis=0)
centered = points - centroid
cov = centered.T @ centered
eigval, eigvec = np.linalg.eigh(cov)
normal = eigvec[:, 0] # 最小特征值对应的特征向量
d = normal @ centroid
return normal, d
这段代码和Halcon默认最小二乘拟合在数学上是等价的。你可以用同一个ObjectModel3D导出的点云数据跑一遍,对比Halcon输出的法向量和D值,会发现差异只在最后几位小数。
1.3 但生产环境几乎不会用纯最小二乘
问题是,纯最小二乘对离群点极其敏感。实际产线上的3D点云,几乎不可能干净到没有飞点、反光点、边缘噪点。所以Halcon的拟合算子实际提供了鲁棒拟合的选项,原理上会引入损失函数(比如Huber、Tukey)或者采样一致性思路,让远离主平面的点权重降下来。不同版本的Halcon中,Method参数名字可能略有差异,但取舍逻辑完全一致: 想要稳定,就不能让所有点平等投票 。
这一节看起来是补数学基础,实际上后面5个陷阱全部建立在这些概念上:最小二乘怎么解、法向量方向怎么定、距离正负号怎么来、鲁棒拟合阈值怎么选,每一个坑都对应这里的一个细节。
2. 陷阱一:坐标系不一致,拟合结果就是空中楼阁
这类问题最常见的现场表现是:单独看拟合平面的法向量和位置都对,但一旦把计算结果拿去和机器人、基准治具、其他传感器数据对齐,就出现系统性偏差。
2.1 平面本身不变,变的是它的参数表示
首先要明确一点:刚性变换不会改变几何平面本身。一个平面经过旋转和平移后还是那个平面,但它的法向量分量、距离D值全部变了。这个道理很多人懂,但一到写代码就犯迷糊。
Halcon里拟合平面后,返回的Plane一般会带一个Pose,这个Pose是相对于当前点云所在坐标系的。如果你的点云在相机坐标系下,那么拟合结果也是相机坐标系下的表达。
问题是,很多项目最后需要的距离是在机器人基座坐标系或者工件坐标系下定义的。例如你要测量"工件表面到基座安装面的高度差",基座面在机器人坐标系下有唯一确定的平面方程,但你的点云在相机坐标系下,两个平面的参数直接比较没有任何意义。
265



被折叠的 条评论
为什么被折叠?



