icp和ndt点云配准效率对比

直接调用pcl库的icp和ndt算法，对比帧间匹配的效果: (数据帧采用kitti数据集，64线束velo，随便截取了一帧保存为pcd文件，需要pcd文件的，自取git@github.com:qqngwzlb/pcl_registration.git)

粗配准: 在两幅点云之间的变换完全未知的情况下进行配准，主要是为精配准提供较好的变换初值；

精配准: 给定一个初始变换，进一步优化得到更精确的变换。

实验1：目标点云和源点云完全相同

点云效果: 左边ndt，右边icp

同帧匹配，icp精度高，而且快

 

实验2：源点云是在目标点云的基础上单方向移动0.5m

点云效果：

明显icp匹配的点云(右)已经配准不上了

icp：我就是快，准不准我不管！！！！

缩小icp的esp之后（0.05-->0.001），匹配效果好些：

实验3：源点云是在目标点云的基础上xy方向移动（0.5m ，0.5m）

实验4：源点云是在目标点云的基础上xy方向移动（0.5m ，0.3m），旋转

总结: (偶滴pc很拉胯的，所以时间对比相当明显)，测试代码我放在github了。

icp速度很快，点云不是单方向变化(有旋转)，匹配效果很拉胯，但它依旧很快，很快，很快(😁😁)。目前我觉得，单纯的icp适合拿来做做SLAM的回环匹配，因为他快啊！！！而且，回环集中在直线上效果也不会那么差。

icp匹配就是算对应点间的最小二乘误差，误差最小化输出最优的变换矩阵。icp算法鲁棒性不够，建议实际，还是使用icp变种算法: 如通常2D激光匹配用PL-ICP算法比较好，3D激光匹配推荐GICP算法等。

ndt较于icp会慢不少，目标点云如果庞大，运算效率更大大下降，稳定性方面是不错的。需要做点云稀疏化。

ndt匹配时，算法内部将目标点云化为很多个cell，计算每个方格的pdf，移动源点云落入每个cell，用之前的pdf计算概率，所有cell概率之和最大时，输出最优的变换矩阵。

参数调节：

1）icp的setMaxCorrespondenceDistance：点对之间的最大距离，只有对应点之间的距离小于该设置值的对应点才作为ICP计算的点对；越大计算的点对越多；icp收敛条件esp一定要设置苛刻一些，比1小于3个数量级；

2）ndt大数据量，匹配速度极其慢（比icp慢十几倍），对目标点云滤波轻一点，对源点云滤波重一点；若目标点云滤波太重，ndt算法无法进行匹配，但是目标点云滤波重一点，对速度提升显著；ndt的setResolution，网格设置大小很重要，体素设置完，设置setTransformationEpsilon，差异值设置越大，速度越快（精度down）；

 

另外: 本次测试没有给初值，帧间匹配若是有良好的初值，匹配效果和效率应该是很好的！提供预测的目前一般是imu或者利用系统运动模型估计，后续应该涉及这方面。