武汉理工大学华林教授团队在人工智能期刊TPAMI发表最新研究成果

今日新闻 2025年11月03日 15:11 3 aa

近日，武汉理工大学华林教授团队在机器人视觉感知研究方面取得重要进展，研究成果以“PAVM: Progressive and Adaptive Variance Minimization Algorithm for Robust Registration”为题，发表在人工智能领域国际期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（简称TPAMI，影响因子18.6）。TPAMI是人工智能与模式识别领域最具影响力和权威性的学术期刊之一，一直引领计算机视觉、模式识别、机器学习等前沿研究，同时也是中国计算机学会CCF A类推荐期刊。学校汽车工程学院和湖北隆中实验室分别为论文第一、二署名单位，博士研究生吴浩为论文第一作者，华林教授和朱大虎教授为共同通讯作者。

刚性点云配准是视觉引导的运载装备复杂构件机器人化智能制造中的关键技术，其配准精度直接影响视觉定位、误差评估和质量控制的可靠性。然而，真实工业场景中普遍存在结构偏差、局部缺失、噪声漂移与密度不均等难题，使得现有方法难以稳定适用。传统配准算法（如ICP、TDM、TrICP）在高噪声与异常点干扰下易出现收敛失效；正则化与方差最小化扩展（如Sparse-ICP、WLqICP、VMM、WPMAVM）虽提升了抗离群性，但面对大范围结构偏差或严重密度不均时仍难以保持准确性。虽然全局优化方法（如FGR、TEASER++）具有一定鲁棒性，深度学习模型（如GeoTransformer、PREDATOR）具备自适应特征学习能力，但在复杂工业场景下均难以达到制造级精度要求，仍存在误差偏大与稳定性不足等瓶颈。因此，在异常干扰下仍保持高鲁棒性与快速收敛的点云配准成为当前机器人化智能制造领域亟需突破的核心难题。

针对上述问题，华林教授团队创新性地提出了渐进自适应方差最小化算法（PAVM），构建了一种兼具全局鲁棒性与二次收敛性的全新配准框架。该算法通过渐进式去伪权重策略实现点对参与度的动态调控：在配准初期允许所有点对共同参与优化，随后权重自适应调整以抑制异常点影响，从而在优化后期自动形成近似截断机制，实现异常点抑制与收敛精化的动态平衡。此外，通过融合对称点–平面距离与一阶近似点–点距离度量，构建出新的自适应协调距离函数，显著提升了算法的速度、收敛稳定性与通用性。

研究表明，PAVM在存在高噪声、欠采样以及结构遮挡的极端条件下，仍能实现稳定、快速的二次收敛，全面超越现有算法的鲁棒性界限，在典型工业场景中实现了超过30%的配准精度提升、约40%的收敛速度加快以及约50%的异常鲁棒性增强，显著提升了点云配准在复杂工况下的可靠性与适用性，为复杂构件的高精度视觉重建与机器人化智能制造提供了全新的技术路径。

华林教授团队长期致力于机器人化智能制造基础理论与关键技术研究，在视觉测量、顺应加工、智能修复等方面取得一系列原创性成果。自2020年以来，已相继在IEEE汇刊（如TPAMI、TMECH、TASE、TIM）、Journal of Manufacturing Systems、Robotics and Computer-Integrated Manufacturing、中国科学、机械工程学报等国内外重要期刊上发表了30余篇研究论文。研究成果获得了国家重点研发计划、国家自然科学基金以及湖北隆中实验室自主创新基金的资助。（通讯员：朱大虎吴浩）

特斯拉人形机器人，新进展曝光

美团正式上线LongCat App，可体验语音通话等新功能

发表评论

武汉理工大学华林教授团队在人工智能期刊TPAMI发表最新研究成果

特斯拉人形机器人，新进展曝光

美团正式上线LongCat App，可体验语音通话等新功能

热门文章

最新文章