三维激光雷达点云匹配最近工作总结

把现在实习做点云配准的进展梳理一下，之后总结补充

最近工作进展过程

目标：在已有高精度地图的情况下，实现纯雷达的定位，检测到车辆运行到停车位置附近，定位，输出变换矩阵控制车进行泊车。

搜索了解激光雷达SLAM

搜索查找3D点云配准算法

ICP算法

NDT算法

帧间点云配准整体算法流程

• 数据获取
• 降采样
• 关键点
• 特征提取，描述子
• 匹配算法（粗匹配，精匹配）

PCL点云库了解

Velodyne HDL Grabber回放PCAP

读取PCAP数据，多帧点云逐步匹配

从scan-to-scan到scan-to-map

目前看了论文IMLS-SLAM 无源码，Segmap，日本人的一篇论文做采样，空地机器人匹配方法评估。还有经典的LOAM，深度学习提取特征的论文

粗配准4PCS算法

————————————————————————————————————————————————————
降采样方法：体素法，直通滤波，阈值聚类计算边框然后剔除小型不确定物体法，阈值聚类统计类大小数目线性回归计算斜率角度筛选不太高的物体；剔除地面后阈值聚类物体
关键点：sift，surf，harris，边角线，IMLS方法（隐式移动最小二乘法），ISS
特征点，片段特征，邻域特征
描述子：PFH,FPFH,SHOT,ESF
配准法：RANSAC,4PCS,ICP，NDT，随机森林物体分类匹配