云库

Implementations . 　　ICP算法采用最小二乘估计计算变换矩阵，原理简单且具有较好的精度，但是由于采用了迭代计算，导致算法计算速度较慢，而且采用ICP进行配准计算时，其对待配准点云的初始位置有一定要求，若所选初始位置不合理，则会导致算法陷入局部最优。PCL点云库已经实现了多种点云配准算法： pcl::GeneralizedIterativeClosestPoint< PointSource, PointTarget > Class Template Reference pcl::IterativeClosestPoint< PointSource, PointTarget, Scalar > Class Template Reference pcl::IterativeClosestPointWithNormals< PointSource, PointTarget, Scalar > Class Template Reference pcl::IterativeClosestPointNonLinear< PointSource, PointTarget, Scalar > Class Template Reference pcl::JointIterativeClosestPoint< PointSource, PointTarget, Scalar >

前言 　　 在PCL库中，精配准除了我们最常用的ICP算法以及相关的变形算法，如GICP算法外，另外还包含了NDT算法（正态分布变换），它不需要提供较好的初值，且速度比ICP算法更为快速。 　　当然，也会有着一定的缺陷：收敛域差、代价函数不连续等，NDT原理以及步骤等具体可查看 https://www.cnblogs.com/li-yao7758258/p/10705228.html ，个人觉得，这篇文章写得比较详细具体。 版本 　　　 PCL1.8.0 问题 　 　PCL在使用NDT（Normal Distribution Transform)对两个点云进行配准时会出现容器出限的错误。 解决方法 　　 在设置参数时，将体素分辨率调大，从而能使每个体素中能有六个以上的点。 原因解析 　　从原理角度分析：体素分辨率太小，使得对目标点云分割时每个体素中达不到计算协方差矩阵的点数。 　　从代码角度分析：在ndt.h中有着一个变量为target_cells_，它的类型为VoxelGridCovariance，此类的作用为体素划分，且计算每个体素内点的协方差以及形心。 　　当我们分辨率设置过小时，每个体素内的点云数均无法达到设置的min_points_per_voxel_,从而使target_cells_为空，无法对其初始化，导致target_cells_中的维度变量Dim_为0