ICP 算法
Posted SLAM-BJTShang
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ICP 算法相关的知识,希望对你有一定的参考价值。
ICP 算法是一种点云到点云的配准方法。
在SLAM中通过空间点云的配准(可以通过相机或者3D激光雷达获取点云数据),可以估计相机运动(机器人运动,旋转矩阵R与平移向量t),累积配准,并不断回环检测,可以保证机器人定位的精度。
想象三维空间中两组点云PL(参考点) 以及 PR(目标点):
1. 在PL和PR中寻找最近点(对于稀疏点云的微小运动,寻找欧拉空间最近点;对于密集点云或者较大运动,可能需要寻找描述子之间距离的最近点),这一步,不一定需要配准所有的点;
2. 通过初始配准的两个点集,计算各自点集重心的三维坐标 L0 与 R0, 通过这两个点的三维运动计算出相机运动初值;
// 或者寻找R,t,使得目标点集和参考点集之间距离的最小二乘最小;
3. 由于初值匹配比较粗糙,通过初值变换获取的 PR‘ 与真实的 PR点集之间存在误差。迭代的目的就是减小这个最小二乘的误差,直到小于阈值或者达到一定迭代次数。
其目的是通过测量数据,获取机器人三维位姿变换的准确值。其中数学核心是奇异值分解,在常见的PCL库中有实现。并且ICP有不同的具体实现方法,例如利用kd树实现subset与subset之间的配准,提高效率。
以上是关于ICP 算法的主要内容,如果未能解决你的问题,请参考以下文章
ICP算法(Iterative Closest Point迭代最近点算法)