问题被定义为匹配两个点云，这两个点云都是某个任意表面结构的样本，并且样本区域的重叠率为0-100％，这是未知的。我知道Trimmed ICP变体通过反复尝试确定重叠来起作用，但是即使该重叠也可以停留在局部最小值中。
幼稚的方法是查看已识别点对的均方误差。但是，如果没有采样的估计，这似乎是一个危险的阈值。在Leica Cyclone手册中，他们建议手动检查线对误差直方图。如果具有高斯形状，则拟合度良好。如果出现线性下降，则匹配可能不好。这对我来说似乎是合理的，但我从未见过将其用于算法中。
#1 楼
大多数简单的ICP方法都使用最小二乘类型方法。当假设高斯误差模型破坏点云数据时，建模是最常见且最容易的。在这种情况下，ICP算法的最小二乘拟合组件会为其具有估计方差的解参数生成高斯误差模型。也就是说，如果您可以在匹配后访问错误，则可以像在任何其他线性回归中估算误差的方式一样估算变换参数上的高斯误差。 />
评论
$ \ begingroup $
我在问题中指的是对最小二乘误差使用阈值。我在应用程序中也使用了它，但是它似乎是一个非常脆弱的参数，非常特定于场景/环境。
$ \ endgroup $
–雅各布
2012年11月8日，11：39
#2 楼
如果您有其他传感器提供的一些信息（例如，轮编码器的测距法），则可以在laserScanner建议的刚体转换距离很远时使用此方法。路径与基本事实有所出入，但在本地却很准确。PS。这是一个非常有趣的问题，所以请让我们知道您是如何解决的，以防您真正解决了问题。.
#3 楼
我认为最好的方法是使用包含基本事实的数据集。论文“ RGB-D SLAM系统评估的基准”描述了在文献中最常引用的数据集。他们还描述了一些指标，可以将您的姿势估计结果与地面真实情况进行比较。希望这可以帮助。快乐的编码。评论
$ \ begingroup $
嘿，谢谢你的回答，虽然不是我要找的。当没有地面真理时，我想知道比赛的质量。这与拒绝ICP结果有关。
$ \ endgroup $
–雅各布
2012年11月7日在21:17
评论
雅各布，你到此为止了吗？面对类似的问题，很想听听您在此过程中学到的知识。不，就我而言，这仍然是公开的。