ICP eşleşmelerinin kalitesi nasıl belirlenir?

In SLAM önyüzlerinde algoritma yerel minimum ve getiri yanlış sonuç sıkışmış ise eşleşen iki nokta bulutlarının arasındaki ilişkiyi tanımlamak için Yinelemeli En Yakın Nokta (ICP) algoritması kullanır, nasıl belirleyebilir?

Sorun, her ikisi de keyfi yüzey yapısının örnekleri olan iki nokta örtüsüyle eşleşen olarak tanımlanır ve örneklenen alanlar,% 0-100'lük bir örtüşmeye sahiptir ve bilinmeyen. Kesilmiş ICP varyantının üst üste binmeyi belirlemeye çalışarak çalıştığını biliyorum , ancak bu bile yerel bir minimumda sıkışabilir.

Saf bir yaklaşım, tanımlanan nokta çiftlerinin ortalama kare hatasına bakmak olacaktır. Ancak, örneklemenin bazı tahminleri olmadan, bu riskli bir eşik gibi görünüyor. İçin manuel olarak Leica Cyclone da çift hata histogramın elle muayene göstermektedir. Gauss şekli varsa, uyum iyidir. Doğrusal bir düşüş varsa, maç muhtemelen kötüdür. Bu benim için akla yatkın görünüyor, ancak algoritmada kullanıldığını hiç görmedim.

Basit ICP yöntemlerinin çoğu En Küçük Kareler türü bir yaklaşım kullanır. Bir Gauss hata modelinin nokta bulutu verilerini bozduğunu varsayarsak modellemek yaygın ve kolaydır. Bu durumda ICP algoritmasının en az kareye oturan bileşeni, tahmini varyanslı çözüm parametreleri için bir Gauss hata modeli üretir.

Yani, eşleştikten sonra hatanın erişimine sahipseniz, dönüşümünüzün parametrelerindeki Gauss hatalarını, herhangi bir diğer doğrusal regresyondaki hatayı tahmin ettiğiniz şekilde tahmin edebilirsiniz.

Kullanılabilir diğer sensörlerden (örneğin, tekerlek kodlayıcılarından kilometre sayacı) bazı bilgileriniz varsa, laserScanner'ın önerdiği katı cisim dönüşümü çok uzakta olduğunda bunu kullanabilirsiniz.

Uzun yörüngelerde odometri yolunun gerçeklerden ayrıldığını, ancak yerel olarak oldukça doğru olduğunu unutmayın.

PS. Bu oldukça ilginç bir soru, bu yüzden sorunu gerçekten çözmeniz durumunda bunu nasıl yaptığınızı bize bildirin.

Bence en iyi yaklaşım temel bir gerçek içeren bir veri seti kullanmak olacaktır. Literatürde en sık atıfta bulunulan veri seti, "RGB-D SLAM sistemlerinin değerlendirilmesi için bir referans" makalesinde açıklanmaktadır. Ayrıca, poz tahmin sonucunuzu temel gerçekle karşılaştırmak için birkaç metrik tanımlar. Bu yardımcı olur umarım. Mutlu kodlama.