Developing a template matching algorithm & evaluating the effects of environmental changes in pallet detection

Abstract

Accurate pallet pocket detection is essential for safe and efficient Automated Guided Vehicle (AGV) operation, particularly in automated forklifts handling loads at varying heights and orientations. Detection performance is influenced by pallet geometry, sensor characteristics, environmental conditions, and the used algorithm.

This thesis evaluates a template matching registration algorithm made for this thesis, comparing it to a commercial pallet detection system.

Two 3D sensors were used: the IFM O3R222 ToF sensor with its built-in pallet detection algorithm, and the SICK multiScan100 3D LiDAR. The algorithm made for this thesis combines RANSAC for coarse alignment and ICP for refinement, with preprocessing steps including noise filtering, region-of-interest cropping and slicing. Tests were conducted in six realistic scenarios, at varying distances. For the measurements three pallet types were used.

Results show that the IFM O3R222 system maintained high detection success rates across pallet types and conditions, with slightly higher depth errors at close range. The algorithm made for the thesis achieved high accuracy for EPAL pallets at short distances but reduced robustness for the other pallet types and longer measuring ranges. The SICK multiScan100’s sparse point clouds yielded only 1.6% successful registrations, making it unsuitable for template matching in this context.

This work provides insight into the capabilities and limitations of template-matching registration for pallet detection in AGV use, highlighting the importance of point cloud density, pallet geometry, and sensor selection in achieving reliable performance under real-world conditions.

Tarkka lavataskujen tunnistus on keskeinen tekijä Vihivaunujen (AGV), turvallisessa ja tehokkaassa toiminnassa, erityisesti vihivaunuissa, jotka käsittelevät kuormia vaihtelevissa korkeuksissa ja tilanteissa. Tunnistustarkkuuteen vaikuttavat muun muassa lavan muoto, käytetty anturiteknologia, ympäristöolosuhteet sekä käytetyt algoritmit.

Tässä työssä arvioidaan työn yhteydessä kehitettyä mallipohjaiseen rekisteröintiin perustuvaa tunnistusalgoritmia ja verrataan sitä kaupalliseen lavantunnistusjärjestelmään. Testauksessa käytettiin kahta 3D-anturia: IFM O3R222 ToF-sensoria, jonka mukana tulee valmis lavantunnistusalgoritmi, sekä SICK multiScan100 3D-LiDARia. Työtä varten kehitetty algoritmi hyödyntää RANSAC-menetelmää karkean kohdistuksen suorittamiseen ja ICP-menetelmää hienosäätöön. Esikäsittelyyn sisältyy melusuodatus, kiinnostusalueen rajaus ja pistepilven leikkaaminen. Testit suoritettiin kuudessa realistista käyttötilannetta vastaavassa skenaariossa, useilla etäisyyksillä ja kolmella eri lavatyypillä.

Tulokset osoittavat, että IFM O3R222 säilytti korkean tunnistusprosentin eri lavatyypeillä ja olosuhteissa, joskin syvyyssuunnan virheet kasvoivat pienillä etäisyyksillä. Työtä varten kehitetty algoritmi saavutti hyvän tarkkuuden EPAL-lavoilla lyhyillä etäisyyksillä, mutta sen luotettavuus heikkeni muiden lavatyyppien ja suurempien etäisyyksien kohdalla. SICK multiScan100 -LiDAR tuotti liian harvan pistepilven, minkä seurauksena onnistuneita rekisteröintejä oli vain 1,6 %, mikä tekee siitä epäkäytännöllisen mallipohjaiseen rekisteröintiin.

Työ tarjoaa kokonaiskuvan mallipohjaisen rekisteröinnin mahdollisuuksista ja rajoituksista lavataskujen tunnistuksessa. Tulosten perusteella pistepilven tiheys, lavan geometria ja anturivalinta ovat keskeisiä tekijöitä luotettavan suorituskyvyn saavuttamisessa todellisissa käyttöympäristöissä.