目录
2、Normal Distribution Transform(NDT)
2.2 MLE(Maximum Likehood Estimation)
1、ICP
首先找到两组点云之间的对应问题,在ICP里面找最邻近的点,强行得到R,t,点一开始显然是不对的,但这是一个迭代的过程,直到R,t变化很小。可以用IMU来得到初始化的R,t。
求出R,t使得到最小值
2、ICP改进
2.1 减少点
- 不用所有的点做ICP
- 对点云下采样
- Normal Space Sampling(NSS)
- 取特征点
2.2 数据关联
- 最邻近搜寻
- Normal shooting:适用与平滑的点云
- Projection
- Feature descriptor matching
2.3 Outlier Rejection
去除远距离
去除不匹配的点
2.4 Loss function
- Point-to-point
- point-to-plane
点到最邻近点平面的距离,point-to-point可能会强行对应点,point-to-plane收敛更快。LOAM
2、Normal Distribution Transform(NDT)
2.1 NDT划分方格
可以用到每个点周围的信息,不需要做最邻近搜索
以一个格子一个格子为单位,找点落在哪个格子,格子里面的信息是一个高斯模型来描述点云的分布。
格子中大于5个点才会高斯建模
三个维度的高斯分布
2.2 MLE(Maximum Likehood Estimation)
给定初始的R,t,确定点落到哪个方格内,确定高斯模型。
点云的配准问题变成了最大似然估计
outlier点会让求解崩掉,让点概率至少等于某个数
3、 RANSAC
在很多情况下是没有初始解的,这时需要Feature detection + description + RANSAC
特征点提取、描述匹配、迭代
通用刚性点云配准