3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder阅读笔记

　　这是一篇采用机器学习的点云配准的论文，简单来说就是通过将点云用一个个球体分成很多个小快，对每一块投影成深度图，然后采用深度神经网络对深度图进行特征压缩，最后压缩成一个5$\times$2的矩阵做为一个特征，也就是我们所说的描述子（descriptor）。通过这些描述子的位置关系可以进行粗配准，最后文章也还是采用了ICP进行精配准。原文链接：3D Point Cloud Registration for Localization Using a Deep Neural Network Auto-Encoder。

---

LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set)

　　文中提出了一个超点（Super-Points，SP）的概念，其实就是由部分点云构成的一个大的集合，构成方法会在下文中提出。文中首先定义了一个全局场景是有大型的户外场景融合构成，然后定义了本地场景是在全局场景的一个随机位置随机角度采集的。文章的总体思路为以下几步：
　　

1. Random Sphere Cover Set (RSCS)

　　使用超点来定义整个处理流程的基本单元。为了能够覆盖点云的绝大部分，文中采用了以下的迭代步骤来定义这些超点：
　　

• 随机选择一个不属于任何$SP$的点$P$
• 使用点$P$做为中心，以$R_{sphere}$为半径，所有位于这么一个圆内的点都被定义为这个新的$SP$所包含的点

$R_{sphere}$的计算公式如下：