【无标题】point cloud registration 点云配准

学习目标：

用3个平面和一个交点做运动的估计
已经得到对应点之后，怎么去估计它的RT
怎么确定对应点？
1.人工设定一些靶标
2.自动化方法：找几何上的最近邻点 ICP 需要进行迭代， 关键点 feature matching 随机样本
目标找到对应点的召回率和准确率都足够的高
挑战：两个点云重叠的部分很少，有遮挡，有噪点，全都是重复结构
最经典的ICP算法 iterative closest points (ICP) 老算法
做改进
怎么计算距离
点到点 点到面 适合地面的配准
优点：结构简单，如果初始值精度高，可以达到比较高的精度，精配准方法
缺点：初始旋转差异比较大时，可能迭代到局部最优，难以完成最后的配准，鲁棒性也比较差
改进：GO-ICP 不需要高精度初始值，但只适用于小场景，如一只兔子

提示：这里可以添加学习目标

例如：

• 一周掌握 Java 入门知识

---

学习内容：

提示：这里可以添加要学的内容

例如：

1. 搭建 Java 开发环境
2. 掌握 Java 基本语法
3. 掌握条件语句
4. 掌握循环语句

---

学习时间：

提示：这里可以添加计划学习的时间

例如：

• 周一至周五晚上 7 点—晚上9点
• 周六上午 9 点-上午 11 点
• 周日下午 3 点-下午 6 点

---

学习产出：

提示：这里统计学习计划的总量

例如：

• 技术笔记 2 遍
• CSDN 技术博客 3 篇
• 习的 vlog 视频 1 个