c++ - ICP的保证，内部指标

Question

所以我有一个 iterative closest point (ICP) 算法，已编写并将模型拟合到点云。作为对那些不了解 ICP 的人的快速教程，ICP 是一种简单的算法，它将点拟合到模型，最终在模型和点之间提供一个齐次变换矩阵。

这是一个快速图片教程。

第 1 步。找到模型集中与您的数据集最近的点:

第 2 步:使用一系列有趣的数学(有时基于梯度下降或 SVD)将云拉近并重复直到形成一个姿势:

![图2][2]

现在这个位很简单并且可以工作，我想要帮助的是: 如何判断我的姿势是否合适？

所以目前我有两个想法，但它们有点老套:

1. ICP 算法中有多少个点。即，如果我几乎没有适合任何点，我认为姿势会很糟糕:

   但如果姿势真的很好呢？可能是，即使只有几分。我不想拒绝好的姿势:

所以我们在这里看到的是，如果位置正确，低点实际上可以成为一个很好的位置。

因此，调查的另一个指标是提供的点数与使用的点数的比率。这是一个例子

现在我们排除太远的点，因为它们将是异常值，现在这意味着我们需要一个良好的起始位置才能使 ICP 工作，但我对此表示同意。现在在上面的例子中，保证会说不，这是一个糟糕的姿势，它是正确的，因为点数与包含点数的比率是:

2/11 < SOME_THRESHOLD

这很好，但在上面显示的三角形倒置的情况下，它会失败。它会说倒三角形很好，因为所有的点都被 ICP 使用。

您不需要成为 ICP 专家才能回答这个问题，我正在寻找好的想法。使用这些点的知识，我们如何分类它是否是一个好的姿势解决方案？

串联使用这两种解决方案是一个很好的建议，但如果你问我，这是一个非常蹩脚的解决方案，非常愚蠢，只是设定阈值。

关于如何做到这一点有哪些好的想法？

附言。如果你想添加一些代码，请去做。我正在使用 C++。

PPS。有人帮我标记这个问题，我不确定它应该落在哪里。

Answer 1

一种可能的方法是通过形状和方向比较姿势。

可以使用 Hausdorff distance up to isometry 进行形状比较, 即如果

d(I(actual_pose), calculated_pose) < d_threshold

d_threshold 应该从实验中找到。作为 X 的等距修改，我会考虑不同角度的旋转 - 在这种情况下似乎就足够了。

如果姿势具有相同的形状，我们应该比较它们的方向。为了比较方向，我们可以使用稍微简化的 Freksa model .对于每个姿势，我们应该计算值

{x_y min, x_y max, x_z min, x_z max, y_z min, y_z max}

然后确保姿势的相应值之间的每个差异都不会破坏 another_threshold，这也是从实验中得出的。

希望这是有道理的，或者至少您可以从中得出对您的目的有用的东西。