ICP 일치 품질을 결정하는 방법은 무엇입니까?

에서 SLAM 프론트 엔드 알고리즘이 로컬 최소 반환 잘못된 결과에 갇혀 경우이 일치하는 점 구름 사이의 연관을 식별하기위한 반복 가장 가까운 포인트 (ICP) 알고리즘을 사용하여, 당신은 어떻게 확인할 수 있습니까?

문제는 임의의 표면 구조의 샘플 인 두 개의 점 구름을 일치시키는 것으로 정의되며 샘플링 된 영역은 0-100 %의 겹침을 가지며 알 수 없습니다. 나는 알고 트림 ICP의 반복적 중복을 결정하기 위해 시도하여 변형 작업을하지만, 심지어이 하나가 로컬 최소에 갇혀 될 수있다.

순진한 접근 방식은 식별 된 점 쌍의 평균 제곱 오차를 보는 ​​것입니다. 그러나 샘플링에 대한 일부 추정이 없으면 위험한 임계 값으로 보입니다. 의 사용 설명서에 라이카 사이클론 들은 쌍 에러 히스토그램의 수동 검사를 제안한다. 가우스 모양 인 경우 적합합니다. 선형 감소가있는 경우 일치가 잘못되었을 수 있습니다. 이것은 나에게 그럴듯 해 보이지만 알고리즘에서 사용되는 것을 본 적이 없습니다.

간단한 ICP 방법은 대부분 최소-제곱 법을 사용합니다. 가우스 오차 모델이 점 구름 데이터를 손상 시킨다고 가정 할 때 일반적으로 가장 쉽게 모델링 할 수 있습니다. 이 경우 ICP 알고리즘의 최소 제곱 피팅 구성 요소는 추정 된 분산을 갖는 솔루션 매개 변수에 대한 가우스 오차 모델을 생성합니다.

즉, 일치 후 오류에 액세스 할 수 있으면 다른 선형 회귀 분석에서 오류를 추정하는 것과 같은 방식으로 변환 매개 변수의 가우스 오류를 추정 할 수 있습니다.

사용 가능한 다른 센서의 정보가있는 경우 (예 : 휠 엔코더의 주행 측정) laserScanner가 제안한 강체 변환이 멀리 떨어져있을 때이 정보를 사용할 수 있습니다.

긴 궤적에서 odometry 경로는 지상의 진실에서 벗어나지 만 로컬에서는 매우 정확합니다.

추신. 이것은 매우 흥미로운 질문이므로 실제로 문제를 해결 한 경우 어떻게했는지 알려주십시오.

최선의 방법은 근거가 포함 된 데이터 세트를 사용하는 것입니다. 문헌에서 가장 많이 인용되는 데이터 세트는 "RGB-D SLAM 시스템 평가를위한 벤치 마크"백서에 설명되어 있습니다. 또한 포즈 추정 결과와 실제 사실을 비교하기위한 몇 가지 메트릭을 설명합니다. 도움이 되었기를 바랍니다. 행복한 코딩.