点云数据特点（icp快速办理【泡泡图灵智库】体素泛化ICP算法用于快速准确的点云配准）

作者：「」

发表于：2023-12-06 08:47:02

浏览：116 次

体素泛化ICP算法用于快速准确的点云配准

标题: Voxelized GICP for Fast and Accurate 3D Point Cloud Registration作者: Kenji Koide, Masashi Yokozuka, Shuji Oishi, and Atsuhiko Banno机构:National Institute of Advanced Industrial Science and Technology, Tsukuba, Japan

来源: arXiv

编译: 周朋伟审核: 杨杨，wycCode: github: https://github.com/SMRT-AIST/fast_gicp

这是泡泡图灵智库推送的第635篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权。

摘要

本文提出了一种用于快速准确的三维点云配准算法体素泛化ICP。该方法将体素化思想扩展到广义迭代最近邻GICP中，以避免高昂的最近邻搜索，同时达到较高精度。与通过空间点位置计算体素分布的正态分布变换NDT方法相比。该方法聚合每个点的分布来估计体素分布。这样做的目的是便于并行处理优化，该方法可以在CPU中以30Hz或GPU中以120Hz的频率处理包含15,000数量的点云数据。通过对模拟数据和真实环境的测试，所提出的方法与GICP的精度相当，但速度优于现有方法。这使得开发实时的，极快位姿估计变换的3D LiDAR应用成为可能。

背景与贡献

三维点云配准是标定、定位、建图和环境重建的等任务中的关键任务。有两种主流的点云配准方法: 广义迭代最近邻方法GICP和正态分布变换NDT方法。GICP算法扩展了经典的ICP算法，通过计算分布到分布的形式提高了配准精度。NDT利用体素化方法避免高昂的最近邻搜索，提高处理速度。由于GICP和其他ICP算法的变种均依赖于最近邻搜索，这使得很难在计算资源受限的计算机中实时的处理大量点云数据。而NDT通常对体素的分辨率大小非常敏感。最佳的体素分辨率取决于环境和传感器属性，如果选择不当的分辨率，则NDT的精度将大幅降低。本文的通过聚合每个体素内所有点的分布，使得体素化的过程更为鲁棒。相比于NDT从点的空间位置估计体素的分布，本文的体素化方法即使体素中有很少的点，也能够产生有效的体素分布。这也使得算法对体素分辨率的改变更加鲁棒。本文的主要贡献如下:

我们提出了一种多点分布聚合方法，使得估计较少数量点的体素分布更为鲁棒。我们提出了VGICP算法达到了GICP的精度，但是比现有方法速度更快。我们开源了新提出的VGICP算法，其可以像GCIP算法的一样可以并行处理。