{
  "paper_id": "41497e748551cbfe93b299d0c9dc62a9",
  "paper_title": "Room-level localization method in industrial workshops using LiDAR-based point cloud registration and object recognition",
  "paper_authors": [
    "Yunzhi Li",
    "Libin Tan",
    "Xiangrong Xu",
    "Zequn Zhang"
  ],
  "publication_date": "2025-01-24",
  "publication_venue": "Journal of Intelligent & Robotic Systems",
  "abstract": "In this work, we aim to achieve room-level localization for mobile robots in industrial workshops. It is difficult to obtain precise localization information via common methods because of the complexity of the industrial environment. Our findings show that precise room-level localization can be achieved via LiDAR-based point cloud registration and object recognition. For this purpose, we formulate room-level localization as a classification problem. Registration and object recognition are used to extract features from point clouds. After the data enhancement algorithm, called Stacked Auto Encoder is employed to overcome the issue of limited feature data, the neural network algorithm is leveraged to address the classification problem. To this end, we collected point cloud data from industrial workshops and performed experimental validation. We evaluated the recognition performance of the algorithm in a metallurgical workshop and achieved good accuracy.\n",
  "keywords": [
    "Mobile robot",
    "Room-level localization",
    "Registration",
    "Object recognition",
    "Data enhancement",
    "Neural network algorithm"
  ],
  "paper_institutions": [
    "Anhui University of Technology",
    "Nanjing University of Aeronautics and Astronautics"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:23.985021Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对工业车间中移动机器人难以通过常规方法获得精确房间级定位的问题，提出一种基于 LiDAR 点云配准与目标识别的定位方法。与依赖预设设备或视觉传感器的传统定位方法相比，该方法将房间级定位转化为分类问题：先通过 ISS 关键点提取、FPFH 特征描述、RANSAC 粗配准和 ICP 精配准计算当前点云与全局点云的重叠率 c=N_pc/N_p，再通过 CSF 地面滤波、DBSCAN 聚类和 PointNet 识别统计场景中的物体数量，并将两类特征拼接后使用堆叠自编码器（SAE）进行数据增强，最后用反向传播神经网络（BPNN）完成车间分类。实验数据采集自马钢特钢厂四个功能区（转炉炼钢厂、废钢区、连铸车间 A、连铸车间 B），使用搭载 LsLiDAR-C32 的移动机器人平台在每车间 15 个随机位置采集点云，并在 Python 3.8、Windows 10、GTX 3060ti GPU 环境下实现。结果表明，融合配准与目标识别特征后，模型测试准确率可达 99% 以上，损失约 0.75，显著优于仅使用单一特征，也优于在办公室环境中基于声纳的房间级定位方法。该方法适用于设备复杂、物体移动频繁的大型工业车间，但存在 LiDAR 采集导致定位滞后、数据增强消耗计算资源、样本不足时可能过拟合等约束。未来工作将缩短扫描时间、引入多传感器融合，并在更多车间和更复杂环境中验证算法。\n\n### 关键要点\n\n- 本文将房间级定位建模为分类问题，利用 LiDAR 点云配准与目标识别提取特征，再通过神经网络判断机器人所在车间。\n- 点云配准采用由粗到精策略：先用 ISS 提取关键点、FPFH 描述特征，RANSAC 求初始变换，再用 ICP 精配准，并计算当前点云与全局点云的重叠率 c=N_pc/N_p。\n- 目标识别流程先使用 CSF 地面滤波去除地面点，再用 DBSCAN 聚类分割，最后用 PointNet 对每个分割点云分类并统计各类物体数量。\n- 针对工业现场样本有限的问题，使用堆叠自编码器（SAE）对融合后的特征数据进行增强，生成与原始数据相似的新样本，以扩充训练集。\n- 位置识别采用反向传播神经网络（BPNN），输入为配准重叠率与目标识别数量拼接而成的一维特征向量，输出为车间类别，损失函数采用交叉熵。\n- 实验数据来自马钢特钢厂的四个功能区：转炉炼钢厂、废钢区、连铸车间 A 和连铸车间 B；使用 LsLiDAR-C32 激光雷达在移动机器人平台上采集。\n- 每个车间在 15 个随机位置采集当前点云，每小时采集 3–4 次；全局点云由机器人按预定路线遍历工厂后拼接而成。\n- 实验在 Python 3.8、Windows 10、GTX 3060ti GPU 环境下实现；SAE 结构经超参数优化后，采用 14-12-10 神经元配置时损失率最低（0.0744）。\n- 对比实验显示，仅用目标识别数据准确率约 0.88，仅用重叠率数据准确率约 0.96–0.98，融合后准确率达 0.99 以上，损失约 0.75。\n- 与基于声纳的房间级定位方法相比，本方法在更大、设备更复杂且存在移动干扰的工业车间中仍取得 0.98–0.99 的准确率。\n- 方法局限包括：LiDAR 采集当前点云需要时间导致定位滞后，数据增强消耗计算资源，样本过少可能过拟合，非结构化工厂环境应用有挑战。\n- 未来工作包括缩短 LiDAR 扫描时间、研究数据不足时的定位、多传感器融合、在更多车间和更复杂环境中验证算法。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}