一、点云之间的配置

1.配准方法

• ICP（迭代最近点）：基础常用方法
• NDT（正态分布变换）：高效实用方法
• 基于特征的配置（feature-based registration）：通过特征点提取与匹配实现配准

二、配准

配准（registration）的核心是计算两组点云间的旋转矩阵（3×3）和平移向量（3×1），统称为变换（transform），仅包含旋转与平移分量。

1.变换的应用

配准的典型应用包括：

• SLAM（同步定位与建图）：求解时间相邻点云间的变换
• Mapping（建图）：将局部点云对齐至全局地图
• 传感器标定：不同传感器间的坐标对齐
• 物体姿态估计：刚性物体的旋转与平移计算
  

2.问题定义

1) 优化问题时定义

配准问题可定义为优化问题：给定源点云P（含np个点）和目标点云Q（含nq个点），求解旋转R和平移t，使得P经变换后与Q对齐。关键步骤是建立点对对应关系（correspondence），通过最小化对应点距离（如欧氏距离）实现优化。

2) 对应问题时定义

对应关系（correspondence）的建立是配准的核心挑战。假设已知理想对应关系（如几何特征匹配），则可通过最小化变换后点对距离求解R和t。ICP通过最近邻搜索建立对应关系，而基于特征的方法通过特征空间距离匹配替代几何距离。

3.迭代最近点ICP

ICP通过迭代优化实现配准：

• 初始对应：对源点云P的每个点，在目标点云Q中搜索最近邻
• 剔除异常值：过滤距离过大的点对（如剔除30%最大距离对）
• 求解变换：最小化对应点距离，更新R和t - 迭代终止：当变换收敛（成本函数或变换增量趋近阈值）时停止

4.迭代最近点ICP的步骤

ICP算法的步骤如下：

• 确定对应点对：从两组点云中找出n组对应点对，并剔除异常值
• 求解最优变换：通过最小化目标函数计算旋转和平移矩阵
• 迭代优化：重复上述步骤直至代价函数收敛或变换矩阵不再变化

示意图解析：右侧图示展示了ICP的迭代过程，初始状态下两组兔子点云未对齐，通过多次迭代逐步逼近最优匹配，最终实现完全对齐时代价函数达到稳定状态。

三、ICP变种

标准ICP算法自1990年提出后已发展出多种改进方法，主要分为四类改进方向。标红部分将重点讲解，标黑部分因原理简单不再展开。

1.点子集

改进方法分类如下：

• 随机采样（Random Sample）：通过随机抽取点云子集降低运算成本
• 网格降采样（Grid Down Sample）：相比随机采样更能保持原始点云分布特征
• 法向空间采样（NSS）：可同时降低运算成本并提升ICP效果
• 特征点检测（Feature Detection）：通过提取代表性特征点降低运算成本并减少噪声影响。特征点提取需配合特征描述子（Feature Descriptor）使用，该方法与第三部分课程内容直接相关

1) 法向空间采样

法向空间采样（NSS）可保留关键几何特征。如图例所示，当点云存在局部凸起时，随机采样可能丢失该特征导致匹配失败。NSS通过法向量空间筛选确保特征保留，具体原理参见第一节课内容。

2) 数据关联

• 近邻搜索

数据关联方法对比：

方法类型	匹配原理	适用场景	局限性
最近邻搜索（Nearest Neighbor）	寻找空间距离最近点	通用场景	收敛速度较慢
法向投影（Normal Shooting）	沿法向量方向寻找最近投影点	平滑表面结构	依赖准确的法向量估计
反向投影（Projection）	基于RGB-D数据的相机投影匹配	RGB-D点云配准	仅适用于RGB-D数据

• 正向拍摄

法向投影距离计算公式：先计算两点向量(qi-pi)，将其投影至法向量npi方向，原始向量减去投影分量后取模即为距离。该方法在平滑表面结构中收敛更快（等同于增加一个配准的特征依据），但法向量估计不准时将失效。

• 投影

RGB-D专用投影匹配原理：将源点云投影至目标点云的二维图像平面，再通过深度图反查三维对应点。优势在于无需最近邻搜索，运算效率显著提升，但仅适用于RGB-D数据。

3) 损失函数

• 点到面
  
  点对面损失函数（Point-to-Plane）改进原理：

  • 距离计算方式：将点对点距离改为点到切平面距离，通过向量与法向量的内积实现

  • 收敛优势：允许表面滑动，避免局部最优，迭代次数减少50%以上

  • 应用限制：需预计算法向量且优化过程更复杂，标准ICP仍更通用

    

2.ICP流程总结

点对面ICP算法流程如下：

• 输入：两组点云P和Q

• 预处理：法向量估计（可省略）

• 迭代步骤：

  • 数据关联：最近邻匹配
  • 目标函数：点对面距离平方和（取代点对点距离）
  • 线性求解：通过小角度近似获得R,t的封闭解

• 终止条件：

  • 目标函数值收敛
  • 变换矩阵变化量低于阈值

3.点到点与点到面比较

• 点到点在近似平面场景：约束不足，解退化，容易失败。
• 点到平面在近似平面场景：利用法向量信息，可以约束平面内的自由度，避免漂移。

对比维度	点对点ICP	点对面ICP
收敛速度	较慢	更快
平面匹配能力	易失败	可滑动对齐
计算复杂度	较低	较高
工程适用性	简单场景	复杂场景

4.为什么点到点在近似平面场景下容易失败

1. 约束退化

   • 点到点方法只最小化点与点的欧氏距离。
   • 如果两组点云都是近似平面，那么在平面内的平移和旋转方向上，点到点的误差函数几乎没有变化。
   • 结果就是：算法无法区分不同的解，导致解不唯一或收敛到错误的结果。

2. 自由度未被充分约束

   • 在三维空间中，刚体变换有 6 个自由度（3 个平移 + 3 个旋转）。
   • 当点云主要分布在一个平面上时，点到点配准只能有效约束垂直于平面的方向，而平面内的自由度几乎没有约束。
   • 这就会出现“漂移”现象：配准结果在平面内随意滑动。

3. 噪声和对称性放大问题

   • 平面上的点云往往存在对称性（例如一块大平面），点到点方法无法区分不同的匹配方式。
   • 噪声或点云稀疏时，误差函数更容易陷入局部最优。