The Three-Dimendional Normal-Distributions Transform论文学习（Chapter 5之5.1 ICP）

Chapter 5. Related work on scan registration

5.1 ICP

迭代最近点（ICP）算法是目前广泛用于三维点云配准的算法。ICP上的两篇重要论文是由Besl和McKay，Chen和Medioni 撰写的。由于它的概念，已经开发了大量的变种。Rusinkiewicz给出了ICP的不同变化的一个很好的调查。简要地总结该算法：ICP通过最小化两个扫描中对应点之间的平方距离和来迭代地细化两个重叠扫描的相对姿态，即通过点对点距离来识别对应的点对。

第一步是在当前扫描和参考扫描中找到对应的点对。对于当前扫描中的每个点，所选的对应点是其在参考扫描中的最近邻居（按欧几里德距离）。ICP的一个基本限制是最近的相邻点通常不对应于扫描表面上的相同点，特别是当两个扫描相距很远时。然而在ICP的成功应用中，由于其迭代性质，它能够收敛到一个有用的解决方案。最近邻居的搜索是花费大部分执行时间的地方。

对点对进行加权，为更可能对应于相同表面点的对偶分配更多的权重可能是有益的。合理的加权准则可以是将权重设置为与点到点距离成反比，以便进一步分开的点具有比具有近邻的点更低的权重。然而，对于隧道或走廊数据，这样的线性加权会降低性能。因为沿着墙壁和天花板的大多数点通常是对齐良好的，它们的影响将压倒具有较大距离的点对，这对角落和其他特征对获得更好匹配很重要。

除了执行任何加权之外，还应该完全拒绝一些离群对。点对抑制可以看作是点对加权的一种特殊情况。一个共同的标准是拒绝所有具有一定的阈值以上的距离的点对。此外，应该始终拒绝包含来自参考扫描的边界点的点对。否则，来自数据非重叠部分的点可能导致系统的“拖动”偏差——参见下图。然而，难以确定点云数据的边界点。在以前发表的著作中，我们使用递减距离阈值来拒绝离群值：从大距离阈值开始，并在每次迭代中将其递减到零。使用这个方法的基本原理是，在早期迭代中，将使用相隔较大距离的点对来使扫描更接近。在以后的迭代中，点彼此相距很远的对很可能是不正确的对应，不是初始姿态估计中的大误差的结果，应该被拒绝。然而，加权和拒绝策略的最佳选择取决于数据的特性。在这项工作中执行的实验表明，这种减小的距离阈值实际上使得ICP在许多情况下对大的初始姿态误差不那么鲁棒。

当两个扫描不完全重叠时，允许边界上的点对会引入对准过程的系统偏差。图中的箭头表示点对对应关系。为了得到良好的匹配，应该忽略边界点附近的阴影对应。

在建立可靠的点对之后，将点对之间的测量距离最小化，并且通过新的点选择重复这个过程，直到算法收敛。ICP的两个最大问题是：首先，它是基于点的方法，不考虑每个点周围的表面的局部形状；其次，在算法核心的最近邻搜索在计算上是昂贵的。

Chen 和 Medioni版本对ICP使用点对面通信而不是点对点。在他们的方法中，算法最小化的误差度量是当前扫描中的点和参考扫描中的点的切平面之间的距离，允许扫描彼此“滑动”。然而，在没有几何约束的困难情况下（通常在地下矿山隧道中），或者当初始姿态误差较大时，点到平面的ICP可能由于过多的滑动而不能收敛；Gelfand 和 Mitra 等人已经注意到了这一点。

关于收敛速度，Besl和McKay还描述了一种加速版本的ICP，其中如果姿态更新矢量在过去三次迭代中的方向几乎相同，则其长度将延长。ICP的一个常见的收敛模式是在最初的几次迭代中朝解对方向采取大的步长，然后随着它接近最佳值采取越来越小的步长。一般情况下，这种收敛行为在优化方法中是常见的。加速的ICP通常在以后的迭代期间增加步长，减少所需的迭代次数。每个ICP迭代返回位姿空间中的一个点。加速ICP考虑了连续位姿之间的角度，如果迭代$i$和$i-1$时位姿之间的向量方向与$i-1$和$i-2$方向相似，则计算迭代$i+1$时位姿的两个备选候选；一个是基于作为迭代$i$、$i-1$和$i-2$处的位姿的函数的误差的线性近似，另一个基于三个点之间的抛物线插值。由线性近似计算出的位姿是最小二乘直线的零交叉，而抛物线姿态是从抛物线的极点取出的。如图所示。Simon通过解耦变换的旋转和平移分量改进了这种加速方案。如果旋转和平移彼此独立地处理，则两个组件可以在每个步骤中尽可能地加速。如果只有平移分量一致到足以被加速，则耦合加速方案不会做任何事情，而解耦方案可以加速平移矢量并离开旋转。然而，当使用第6.4节中描述的矿井数据进行测试时，发现加速ICP在某些情况下是“超调”的，因此结果中没有包括加速版本。

加速ICP。平面表示位姿空间，垂直轴表示所有