NDT点云配准

NDT算法介绍

NDT正态分布点云算法，即Normal Distribution Transform，是将参考点云转换成多维变量的正态分布来进行配准。如果变换参数能够使得两幅激光数据匹配得很好，那么变换点在参考点云中对应的概率密度将会很大。因此，要使得两幅激光点云数据匹配最优，只需用优化方法迭代计算使得概率密度之和最大的转换矩阵。

现实中，LiDAR扫描得到的点云可能和参考点云（如高精地图点云）存在细微的区别，此偏差可能来自于测量误差，也有可能是“场景”发生了一下变化（比如说行人，车辆）。NDT配准可以忽略细微变化，因此可用于解决这些细微的偏差问题。同时，NDT相对与ICP，它耗时稳定，跟初值相关不大，初值误差大时，也能很好得纠正过来。计算正态分布是个一次性的工作，因为其在配准中不利用对应点的特征计算和匹配，不需要消耗大量代价计算最邻近点，所以时间较快。

NDT算法流程

 

 NDT公式推导

NDT算法的基本思想是先根据参考数据（reference scan）来构建多维变量的正态分布，如果变换参数能使得两幅激光数据匹配的很好，那么变换点在参考系中的概率密度将会很大。因此，可以考虑用优化的方法求出使得概率密度之和最大的变换参数，此时两幅激光点云数据将匹配的最好。

 

NDT缺点：格子参数最重要，太大导致精度不高，太小导致内存过高，并且只有两幅图像相差不大的情况才能匹配。

改进：

八叉树建立，格子有大有小 ，迭代，每次使用更精细的格子

K聚类，有多少个类就有多少个cell，格子大小不一

三线插值 平滑相邻的格子cell导致的不连续，提高精度

NDT代码实战

#ifdef USE_FAST_PCL#include <fast_pcl/registration/ndt.h>#else#include <pcl/registration/ndt.h>#endif #ifdef CUDA_FOUND#include <fast_pcl/ndt_gpu/NormalDistributionsTransform.h>#endif...........核心算法代码，构建地图使用ndt算法static std::shared_ptr<gpu::GNormalDistributionsTransform> new_gpu_ndt_ptr = std::make_shared<gpu::GNormalDistributionsTransform>();//创建NDT转换矩阵类new_gpu_ndt_ptr->setResolution(ndt_res);//网格大小设置new_gpu_ndt_ptr->setInputTarget(map_ptr);//参考帧new_gpu_ndt_ptr->setMaximumIterations(max_iter);//迭代最大次数new_gpu_ndt_ptr->setStepSize(step_size);//牛顿法优化的最大步长new_gpu_ndt_ptr->setTransformationEpsilon(trans_eps);//连续变换之间允许的最大差值pcl::PointCloud<pcl::PointXYZ>::Ptr dummy_scan_ptr(new pcl::PointCloud<pcl::PointXYZ>());pcl::PointXYZ dummy_point;dummy_scan_ptr->push_back(dummy_point);//构建地图mapnew_gpu_ndt_ptr->setInputSource(dummy_scan_ptr);//当前帧new_ndt.omp_align(*output_cloud, Eigen::Matrix4f::Identity());fitness_score = ndt.omp_getFitnessScore();t = ndt.getFinalTransformation();// Update localizer_poselocalizer_pose.x = t(0, 3);localizer_pose.y = t(1, 3);localizer_pose.z = t(2, 3);. .........-------------使用ndt算法与地图参考帧进行匹配---------------举一个列子gpu_ndt_ptr->setInputSource（），其他和地图一致#ifdef CUDA_FOUND//在代码中标记可以用GPU并行加速 if (_use_gpu == true) {gpu_ndt_ptr->setInputSource(filtered_scan_ptr);//参考点云 } else { #endifif (_use_fast_pcl){cpu_ndt.setInputSource(filtered_scan_ptr);}else{ndt.setInputSource(filtered_scan_ptr);} #ifdef CUDA_FOUND } #endif//NDT默认值设置 static int max_iter = 30; // 最大迭代次数 static float ndt_res = 1.0; // 分辨率1m static double step_size = 0.1; // 步长0.1m static double trans_eps = 0.01; // 变换矩阵差值

其中 ndt.setTransformationEpsilon() 即设置变换的 ϵ（两个连续变换之间允许的最大差值），这是判断我们的优化过程是否已经收敛到最终解的阈值。ndt.setStepSize(0.1) 即设置牛顿法优化的最大步长。ndt.setResolution(1.0) 即设置网格化时立方体的边长，网格大小设置在NDT中非常重要，太大会导致精度不高，太小导致内存过高，并且只有两幅点云相差不大的情况才能匹配。ndt.setMaximumIterations(30) 即优化的迭代次数，我们这里设置为35次，即当迭代次数达到35次或者收敛到阈值时，停止优化。
由于NDT算法不需要匹配各个点计算速度较ICP快，官方建议定位模块使用NDT算法，然后通过使用CUDA实现的 fast_pcl package实现了对NDT优化过程的并行加速。

参考链接：

NDT点云配准算法_海清河宴的博客-CSDN博客_ndt配准

无人驾驶学习笔记-NDT 配准_ppipp1109的博客-CSDN博客_ndt配准

无人驾驶算法学习（五）：激光里程计之帧间匹配算法_su扬帆启航的博客-CSDN博客_帧间匹

总结

以上是生活随笔为你收集整理的NDT点云配准的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。