Icp基本思想参考资料:http://www.cnblogs.com/jian-li/articles/4945676.html ,包括点-点,点-面的各种icp变种
Icp算法就是两个点云X、Y之间的匹配,最小化均方误差
其中R是旋转矩阵,t是平移矩阵。
方法:
搜索策略
找到最近点,使用kd-tree,参考资料
http://www.cnblogs.com/xy123001/p/5831116.html
http://blog.sina.com.cn/s/blog_6f611c300101bysf.html
误差函数求解
常见的:基于奇异值分解的方法、四元数方法。
其他参考:
mrpt的icp
http://www.mrpt.org/Iterative_Closest_Point_%28ICP%29_and_other_matching_algorithms
用kd-tree来找最近点,是整个icp算法中最耗时的部分。所以,如果点云密集,就要下采样,下采样默认5
通过ini配置文件,还可以选择icp算法的种类,是经典算法还是LM算法,
经典算法和LM算法的区别就是 经典算法使用的最小二乘法,替换成了LM算法中的非线性最小二乘。
LM加大了计算量。
ICPfastSlam算法
Icp+粒子滤波
祝继华, 郑南宁, 袁泽剑,等. 基于ICP算法和粒子滤波的未知环境地图创建[J]. 自动化学报, 2009, 35(8):1107-1113.
点-平面
下图是点-切平面距离的示意图
与点到点的ICP算法相比,运用点到平面的距离的方法大大减少了计算量以及迭代次数,但是该方法的鲁棒性并不是太好。
由icp迭代后的点求机器人位姿
举个例子。
下图中有两个坐标系A 和 B
B是由A经过平移和旋转得到的。平移矩阵为R,旋转矩阵T
A旋转sita= - 90度(逆时针为正),沿A的x轴平移3之后,得到了B坐标系。
R=[0,1; -1,0] T=[3, 0]
M=[R T;0 1]
一个点在A下为[1;5],在B下为[-5;-2]
M*[-5;2] = [1;5]
Inv(M)*[1 ;5] = [-5;-2]
由此可知,激光扫描到的点,经过icp匹配之后,R 、t就已经得到了,sita tx ty也就知道了,这就相当于 机器人就是坐标原点。