该博客探讨了一种点云处理方法，通过将点云降维为2D图像并统计环形区域（ring）中点的分布来构建描述符。在回环检测中，使用索引向量和KD-tree实现两阶段查找策略，寻找最佳匹配帧。算法通过平移和旋转敏感性降低计算复杂度，有效地识别旋转和位姿变化后的相似场景。
论文信息
算法总体流程图
1 构建SC（Description）
1.1 将单帧点云按如下分区方式降维为2d图像，每个图像的像素值为对应分区的最高点的z轴值。
每一个环称为一个 ring, 其数量为N_r，每一个扇形为一个sector,其数量为N_s
1.2统计每个ring中的有点的sector的个数占总sector的个数，并以此生成索引向量。（见2.1）
1.3 两个SC之间的相似度评分计算方式：
1.4 旋转导致的SC列的位置变化的处理：
平移候选帧SC的一列，与当前帧SC计算相似度，并重复上述操作，取其中最小的分数为最终的相似得分。实际代码并未这样做，因为时间复杂度很高。实际代码是将SC降为一维的向量，平移计算求最小得分附近的几帧再进行SC之间的相似度计算取最小的。
2 两阶段查找算法
2.1 第一阶段
1.2中的索引向量，生成方式如下图：
利用计算得到的k作为key构建KD-tree
2.2 第二阶段
利用查询帧的k在KD-tree里查找，找到一定数量的候选帧后，在候选帧组里利用式6计算每个候选帧的分数后，选取得分最小且小于阈值的为回环帧。
其中：c*即为计算得到的回环候选帧
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
