4/4

Improved LeGO-LOAM method based on outlier points elimination

Lightweight and Ground-Optimized Lidar Odometry and Mapping (LeGO-LOAM) の欠点を分析し、LeGO-LOAM法に外れ値除去を加えたLeGO-LOAM-OE法を提案した。
LiDARで取得した点群データを解析、4種類の外れ値が除去され、より効率的な特徴点抽出とより正確な姿勢推定ができるようになった。
地面セグメンテーションでは、水平度が制限される。それは、地面を形成する点群が多量で精度がよいからである。
移動体の異常点除去では、隣接フレーム内の同クラスター物体間の距離に基づいて除去され、計算は非常に簡単である。
シミュレーションの結果、LeGO-LOAM-OEはLeGO-LOAMに比べて軌跡精度が良かった。
LeGO-LOAMと比べて、LeGO-LOAM-OEは三軸の最大誤差、平均誤差を効率的に除去できている。
合計の最大誤差は14.3%減少し、平均誤差は7.6%減少した。
LeGO-LOAM-OE法で最も大きく誤差を減らせたのはY軸方向(水平方向)の誤差で、8.5%である。
当手法の位置精度とマッピング効率を評価するために屋外環境を想定した、実験系を用意した。
実験の結果、当手法はonline、offline SLAM 両方で高い精度となった。
最大誤差は1m以下、平均誤差は0.1m以下である。

Signal fluctuation suppression in confocal measurements by laser modulation and power monitoring

信号の揺らぎは共焦点測定において重要な問題である。なぜなら、信号が小さいため、少しの揺らぎが大きな誤差になってしまうからである。
ここでは、レーザー変調と強度のモニタリングを用いて共焦点測定の信号揺らぎを抑制する方法を紹介している。
強度のモニタリングは、強度を補正するための参照信号を取得するために用いられ、周波数変調は周囲環境によるノイズを除去するために用いられる。
実験の結果、検出の頑健性は従来より3倍よくなった。
これにより、40umのSIMカードの表面形状やnmスケールの格子構造が観察できるようになった。

Reverse Engineering Using Hand-Held 3D Scanning

Reverse Engineering Using Hand-Held 3D Scanning – Metrology and Quality News - Online Magazine

Hidrostal というポンプを作っている企業がCreaformの3Dスキャナ、Go!SCAN SPARKを買ったという話。
①がカメラで上から3,5番目のものもカメラのよう、②は投光部で白色の構造化照明を照射する。③はカラーカメラ。
ワークに投影した構造化光を3つのカメラでステレオ的に見ているのだろう。 精度(球の直径の絶対測定精度?)は50um。 Volumetric Accuracy(?)は50um+150um/m。どうやって定義されているのだろうか。

3D Scanning Aids Robotic Removal of AM Part Supports

3D Scanning Aids Robotic Removal of AM Part Supports – Metrology and Quality News - Online Magazine

Metal Additive Manufacturing(金属積層造形、金属3Dプリント)時に必要不可欠なサポートの除去を自動化する話。
サポートとは、目標物を支える形で目標物と同時に造形される部分で、最終的には除去する必要がある。
現状、この除去は人の手で行なわれている(ことが多い?) が、大変なので機械で自動で除去したい。
フライス盤を使えば、自動でしかも正確にサポートを削りとることができる。が、逆に正確すぎる故に造形物がたわんだりすると間違って目標物まで削りとってしまう恐れがある。
そこで、Rivelin Roboticsは3Dスキャンを使いサポートの位置を探索して除去するようなシステムを開発した。
どの程度の精度で除去が必要なのだろうか?数10um程度は欲しそうな気がする? また、サポートと目標物はどう区別するのだろうか?CADと比較する?たわみなどの影響を受けずに区別するのは難しそう。
3Dスキャンの新しい使い道を知ることができて面白かった。

Quality Inspection With Artificial Intelligence

Quality Inspection With Artificial Intelligence – Metrology and Quality News - Online Magazine

AIによる画像検査の紹介。特に目新しい内容は無さそうだが。
ルールベースと比較した時のメリットを述べている。

  • 設定の作成が容易
    ワークの特徴に合わせてルールを設定しなければならないルールベースの手法に比べて、機械学習を用いた画像検査の設定は良品サンプルを学習させるだけ。プログラミングなどする必要なく、誰でも設定できる。

  • 異常箇所の可視化
     画像のように、異常箇所を可視化できるため、どのように検査NGになっているかがわかりやすい。また、OK品でも異常箇所の量は定量的に評価できるため、OK範囲内だが品質が悪くなってきていることが検知できる。
    それによって、NG品が発生する前に品質を改善することができる。

iDS社の技術記事から持ってきている文章のよう。
Technical articles - IDS Imaging Development Systems GmbH
iDS社はドイツの企業で日本にも支社があるらしい。
競合も多そうな分野である。

Dynamic 9D LADAR Offers Accurate Aircraft Inspection

Dynamic 9D LADAR Offers Accurate Aircraft Inspection – Metrology and Quality News - Online Magazine

API社の「9D LADAR」を使った航空機の表面形状検査の紹介。
9D LADAR自体は別の記事で紹介されている。
OFCI(Optical Frequency Chirping Interferometry )という新手法を用いており、速度、精度ともに向上しているらしいが、またちゃんと読んでおきたい。
記事には精度6um/mと書かれているが、ちゃんと見ると25+6um/m。
測定レンジは最大25mとかなり長い。
Dynamic 9D LADAR's Automated Precision Makes IMTS Debut – Metrology and Quality News - Online Magazine

OFCIは調べてすぐ出てくるものでは無かった。(特許出願中らしいのでそれはそうかもしれない)
周波数は違うが以下の論文が近そう。 https://www.jstage.jst.go.jp/article/ieejeiss/129/11/129_11_2027/_pdf/-char/ja

航空機の測定イメージは以下。

イメージ画像
ロボットアームに9D LADARを持たせ、ワークを表面をスキャンする。
9D LADARは別のレーザートラッカーで位置を測定し、ロボットアームはレール上を動く。
動画では航空機を所定の位置まで持っていった後は自動で検査しているように見える。
人の手でスキャンする場合に比べ、測定時間、作業の安全性の面で大きな優位性がある。 実際のワークで、精度が出るのか?上面など死角が多そうに見えるが?翼の下をスキャンするのは自動でできる気がしない、など気になるところはあるが、このサイズをある程度自動で測定できることだけで十分かもしれない。