点云配准

点云配准方法介绍

常见的有 ICP、GICP、NDT 等，快捷实现基本基于 PCL 库中自带的点云处理实现。

GICP

原理

Generalized Iterative Closest Point (GICP) 是一种改进的 ICP 算法，通过协方差矩阵优化对应点匹配，提升配准精度。

头文件

1
2
3
4
5
6
7

#include <pcl/point_types.h>          // 点类型定义
#include <pcl/point_cloud.h>          // 点云容器
#include <pcl/registration/gicp.h>    // GICP 算法核心
#include <pcl/registration/icp.h>     // ICP 基类（部分功能依赖）
#include <pcl/features/normal_3d.h>    // 法向量估计（GICP 需要）
#include <pcl/filters/voxel_grid.h>   // 下采样（可选）
#include <pcl/io/pcd_io.h>            // PCD 文件读写

参数配置

测试结果

通过将目标点云变换作为原始点云进行测试，实际变换为 T=[10, 10, 10]m, R=[90, 0, 0]deg。

初始让 AI 以 Score 为基准进行调参，获得"最优参数"，但实际误差依旧很大

测试概述

效果展示

图例：绿色=Target cloud，白色=Source cloud (before)，蓝色=Registration result

测试分析

通过遍历调参优化 Score 指标，发现 mcd=50, cr=20 时 Score 可降至 0.89，但实际 Trans Error 仍达 2.14m。

Score vs Trans/Rot Error 差异原因：

1. Score 是局部误差，Trans/Rot Error 是全局误差

   • GICP 优化的是点到邻近点平面的距离（局部对齐质量）
   • 即使对应关系完全错误，只要局部结构相似，Score 也可能很低

2. 对称性欺骗

   • 例如 180 度旋转后，点云局部结构仍然相似
   • GICP 可能收敛到"错误但局部最优"的解

3. 初始估计敏感

   • GICP 是局部优化算法
   • 从单位矩阵出发，没有好的初始估计
   • 可能收敛到错误的局部最优而非全局最优

4. mcd 太大的影响

   • mcd=50 太大，允许更远的对应点匹配
   • 可能接受错误匹配，陷入局部最优

然后以 Trans Error 和 Rot Error 作为基准进行参数调整

测试概述

效果展示

分析总结

优化目标从 Score 改为 Trans/Rot Error 后，找到真正有效的参数组合。

关键发现：

1. Score 与 Trans/Rot Error 无直接关联

   • Score 是点到平面距离的 RMSE（局部对齐质量）
   • Trans/Rot Error 是全局位姿精度
   • Score 低不等于配准准确

2. 陷入错误局部最优的原因

   • mcd=50 太大：允许更远的对应点匹配，接受错误匹配
   • 初始估计敏感：从单位矩阵出发，没有好的初始估计
   • 对称性欺骗：180 度旋转后局部结构仍相似

3. 核心参数：mcd 和 cr 决定配准成败

   • mcd 太大：接受错误匹配
   • mcd 太小：找不到正确对应
   • cr 偏离 18-20：陷入局部最优

参数对耗时和分数的影响：

耗时分析：

• 追求精度：mcd=17, cr=18.5，耗时约 777ms
• 追求速度：mcd=20, cr=18，耗时约 461ms，精度仍可达标

最优配置：

1
2
3

max_correspondence_distance: 17
correspondence_randomness: 18.5
max_iterations: 500

NDT + GICP

参数配置

测试概述

效果展示

总结分析

NDT的耗时过长，并不适合进行slam的回环配准，可用于初始化配准，因为GICP需要一个比较好的初始位姿，但是按纯GICP配准中，似乎初始位姿不好也能实现配准？